大型语言模型（LLMs）越来越多地应用于需要多轮信息交换的交互式场景中，例如虚拟助手、故障排除和医疗咨询。然而，现有的系统通常以被动方式处理对话，缺乏一种原则性机制来推理哪些信息缺失以及下一步应该询问什么问题。这种被动性导致效率低下和用户体验差。
针对这一挑战，来自斯坦福大学和加州大学伯克利分校的研究人员提出了一种新颖的方法：BALAR（贝叶斯智能循环主动推理）。BALAR是一种无需微调的任务无关外循环算法，旨在使LLM代理能够与用户进行结构化的多轮交互。该算法的核心在于维护一个关于潜在状态的贝叶斯信念，并利用期望互信息最大化来选择最具信息量的澄清性问题。当当前的状态表示不足以解决问题时，BALAR能够动态扩展其状态表示，以获取更全面的信息。
研究团队在三个不同的基准测试上评估了BALAR的性能：AR-Bench-DC（侦探案例）、AR-Bench-SP（思维谜题）和iCraft-MD（临床诊断）。在每个基准测试中，BALAR都显著优于所有基线方法：在侦探案例上准确率提高14.6%，在思维谜题上提高38.5%，在临床诊断上提高30.5%。这些结果证明了贝叶斯方法在增强LLM交互智能方面的潜力。
值得注意的是，BALAR无需对底层LLM进行任何微调，这意味着它可以与任何预训练模型结合使用，极大地降低了部署成本。此外，其任务无关的特性使得它能够广泛应用于各种领域，从日常问答到专业诊断。
这项研究不仅为主动推理提供了新的视角，也为开发更智能、更高效的AI交互系统铺平了道路。随着LLM在现实世界中的应用日益广泛，像BALAR这样的框架将成为推动人机协同的关键技术。