从上下文感知到冲突感知：泛化对比解码以应对LLM中的知识冲突

当大型语言模型从检索或增强的上下文生成时，外部上下文和参数先验之间的冲突仍然是中心可靠性瓶颈。现有的对比解码方法遵循 \emph{上下文感知} 范式，该范式单方面放大参数先验的上下文，当上下文错误时覆盖正确的先验。我们将其概括为 \textbf{冲突感知} 范式，该范式根据冲突信号在先验和上下文之间动态分配权限，而不是预先假设上下文的可信度。我们证明，先验和上下文 logits 的仿射组合产生一个具有固有 \textbf{regime 不对称性} 的 \textbf{power family}：当先验正确时，外推法会无限放大错误，当上下文正确时，插值会欠校正，并且没有静态制度涵盖两者。现有的对比解码方法是该系列的实例，大部分是外推法。为了评估两个冲突方向，我们提出了 TriState-Bench，这是一种模型感知评估协议，可校准每个模型的先验知识以测量三种冲突状态：校正、阻力和一致。为了解决不对称性，我们提出了自适应机制路由（ARR），它在每一步的机制之间进行路由，将阻力 EM 从低于 6 提升到 16--33，而不牺牲校正或一致性。我们的代码可在 https://github.com/keith-Jiang/conflict-aware-decoding 获取。