近日，一篇题为《PLACO: A Multi-Stage Framework for Cost-Effective Performance in Human-AI Teams》的论文预印本出现在arXiv上，该研究提出了一种新颖的多阶段框架PLACO，旨在提高人机协作团队在分类任务中的成本效益与性能。
随着生成式AI模型的普及，许多日常任务正转变为人机协作任务——从撰写文章到开发高级算法，人类借助AI以前所未有的速度推进工作。然而，在分类任务中，当最终输出仅为单一硬标签时，如何有效融合人类与模型的输出成为一个关键挑战。此前已有工作基于贝叶斯规则优雅地解决了这一问题，其核心假设是人类与模型的输出在给定真实标签的条件下是条件独立的。具体而言，该方法通过组合一个确定性标记器（人类）和一个概率标记器（分类模型），并利用模型的实例级校准概率和人类的类别级校准概率来实现融合。
PLACO框架在此基础上进一步扩展，引入多阶段策略以优化成本效益。它不满足于简单的概率组合，而是通过分阶段决策和校准，在保持高准确性的同时降低总体成本。研究指出，PLACO不仅适用于传统的人机分类场景，还可扩展至更复杂的协作环境，例如当多个模型或多个人类参与时的情形。论文的作者包括Pranavkumar Mallela及其合作者，该研究提交于2026年5月8日，目前仍在等待DOI注册。研究人员表示，PLACO框架有望成为下一代人机协作系统的基石，为需要同时兼顾人类判断和模型精度的应用提供高效解决方案。通过多阶段框架，PLACO旨在实现成本效益和性能的平衡，使得在资源受限的场景下也能有效利用人类和AI的互补优势。该工作还讨论了如何将PLACO集成到现有的AI工作流中，以及如何通过校准技术确保概率输出的可靠性。此外，PLACO考虑了实际部署中的计算成本和人类参与成本，提出了灵活的阶段划分策略，以适应不同的成本约束。该研究为未来人机协作系统的设计提供了新的思路，特别是在需要高可靠性且控制预算的应用中。