超越监督澄清：使用 LLM 进行输入重写以进行对话话语解析

重写输入以改进冻结的下游模型已成为现代 NLP 流程中的常见策略。先前关于增量对话话语解析（DDP）的工作表明，监督澄清模型可以重写片段或未指定的话语，例如解决省略号或引用，以提高解析准确性。在这项工作中，我们在实际部署条件下重新审视这个想法，在这种情况下，没有可用的澄清监督，并且澄清器必须依赖于零样本提示或来自冻结解析器的反馈。在三个分段话语表征理论（SDRT）数据集和多个解析器中，我们发现最后一句话的澄清远不如监督设置所建议的可靠。与解析器无关的重写通常会引入比修复更多的回归，因为启用修复的编辑也会破坏解析器所依赖的话语线索。八局最佳重写分析进一步揭示了实际上限：很大一部分错误无法仅通过输入重写来修复。经过 GRPO 训练的解析器感知澄清器通过学习保守弃权可以将回归减少高达 37%，但仍然无法产生持续改进解析的选择性感知澄清。总之，这些发现将澄清重新定义为选择性干预问题。我们确定可重写性预测，即在干预之前决定话语是否可修复，作为冻结话语解析器输入端优化的关键缺失功能，也是更广泛地改进代理管道的关键方向。