Newest papers

Circuits of LLM Classifiers

Hadi Khalaf, Sajani Vithana, Kunal Talreja, Haewon Jeong, Viveck R. Cadambe, Flavio Calmon · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.30076 · cited by 0 works (OpenAlex) · open-access PDF

Indonesian

Model bahasa membuatnya mudah untuk membangun klasifikator dengan hanya mendorong model dengan sampel untuk mengklasifikasikan. Namun, prediksi mereka tidak deterministik dan tidak dapat diandalkan secara serentak di seluruh sampel. Bagaimana kita dapat menggabungkan prediksi dari model yang berbeda untuk meningkatkan keandalan? Kami melihat klasifikator LLM sebagai alat pengukuran berisik dari label target dasar. Tujuan kami adalah untuk memaksimalkan akurasi klasifikasi rata-rata pada biaya kueri rata-rata yang diberikan. Untuk tujuan ini, kami memperkenalkan sirkuit yang mengatur klasifikator LLM ke dalam urutan adaptif pertanyaan dan keputusan. Kami kemudian karakterisasi sirkuit optimal, mendapatkan batasan fundamental akurasi yang dapat dicapai, dan memberikan wawasan praktis tentang realisasi sirkuit optimal. Melalui tujuh tugas klasifikasi yang mencakup keamanan, kesehatan, ilmu politik, preferensi manusia

Machine translation (Meta M2M100); the English original follows.

Abstract

Language models make it easy to build classifiers by simply prompting a model with the sample to classify. However, their predictions are neither deterministic nor uniformly reliable across samples. How can we combine predictions from different models to improve reliability? We view LLM classifiers as noisy measurement instruments of an underlying target label. Our goal is to maximize average classification accuracy at a given average query cost. To this end, we introduce circuits that organize LLM classifiers into an adaptive sequence of queries and decisions. We then characterize the optimal circuit, obtain the fundamental limits of achievable accuracy, and provide practical insights on realizing the optimal circuit. Across seven classification tasks spanning safety, health, political science, human preference, agent evaluation, decision-making and reasoning, our method improves the cost-accuracy frontier over routing and cascading baselines.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Artificial intelligence, Machine learning, Sequence (biology), Sample (material), Random subspace method

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange