Newest papers

Circuits of LLM Classifiers

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

DOI: 10.48550/arXiv.2610.30076 · open-access PDF

Portuguese

Os modelos de linguagem facilitam a construção de classificadores simplesmente solicitando um modelo com a amostra para classificar. No entanto, suas previsões não são deterministas nem uniformemente confiáveis em todas as amostras. Como podemos combinar as previsões de diferentes modelos para melhorar a confiabilidade? Consideramos os classificadores LLM como instrumentos de medição barulhentos de uma etiqueta-alvo subjacente. Nosso objetivo é maximizar a precisão média de classificação a um determinado custo médio de consulta. Para este fim, introduzimos circuitos que organizam os classificadores LLM em uma sequência adaptativa de consultas e decisões.

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

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

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