本文提出通过训练大语言模型（LLMs）模仿最优贝叶斯模型的预测，使其具备贝叶斯式推理能力。在用户交互场景（如个性化推荐）中，LLMs需动态构建并更新对用户偏好的内部表征，而贝叶斯推断提供了理论上最优的概率更新机制。然而，未经专门训练的LLMs常依赖简单启发式（如默认推荐最便宜选项），难以精准推断个体偏好。该研究通过“贝叶斯教学”方法，引导LLMs学习依据新证据持续、理性地修正信念，从而提升其建模用户意图与优化交互决策的能力，推动LLM向更可靠、自适应的智能代理演进。（200字）

本专栏通过快照技术转载，仅保留核心内容

内容中包含的图片若涉及版权问题，请及时与我们联系删除