德国慕尼黑工业大学等机构研究者于2026年10月14日提交论文《What Is a Clarification? Estimating Model-Dependent Input Ambiguity》，提出一种面向大语言模型的模型依赖歧义分析框架。论文指出，同一个自然语言问题可能存在多个合理解释，但具体模型能够识别和回答的解释范围，未必等于现实中全部可能的解释。因此，输入本身的“世界歧义”和模型实际可处理的“模型歧义”需要区分。论文原始摘要
研究者将有效澄清语句概括为三个条件：能够唯一确定一种解释、忠实保留原问题含义，并使不同表述在答案层面保持等价。在此基础上，论文提出CircleClar方法，通过“答案—澄清—答案”循环检查模型是否能稳定恢复某个候选答案，以估计该模型实际可识别的答案集合。该方法不依赖模型内部概率或训练过程，属于黑盒评估思路。
根据论文摘要，CircleClar在开放域问答和可执行Text-to-SQL任务上测试了模型依赖的歧义恢复能力。在问答场景中，估计出的答案支持集可用于判断问题是否存在模型可感知的多重解释，并辅助模型在直接回答、提出澄清问题和暂不回答之间进行选择。研究的核心价值不在于让模型发现所有客观歧义，而在于判断当前模型究竟掌握了哪些可能解释，从而减少在信息不足时过早给出单一答案的风险。
这项工作仍应被视为一篇最新预印本，摘要披露的实验范围主要集中在开放域问答和可执行Text-to-SQL，尚不足以证明方法适用于所有对话、检索或专业领域任务。后续需要关注其在中文、多轮交互、事实核验和高风险决策场景中的表现，以及模型是否会把知识不足误判为问题不歧义。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
