近日，一篇題為《PLACO: A Multi-Stage Framework for Cost-Effective Performance in Human-AI Teams》的論文預印本出現在arXiv上，該研究提出了一種新穎的多階段框架PLACO，旨在提高人機協作團隊在分類任務中的成本效益與效能。
隨著生成式AI模型的普及，許多日常任務正轉變為人機協作任務——從撰寫文章到開發高階演算法，人類藉助AI以前所未有的速度推進工作。然而，在分類任務中，當最終輸出僅為單一硬標籤時，如何有效融合人類與模型的輸出成為一個關鍵挑戰。此前已有工作基於貝葉斯規則優雅地解決了這一問題，其核心假設是人類與模型的輸出在給定真實標籤的條件下是條件獨立的。具體而言，該方法透過組合一個確定性標記器（人類）和一個機率標記器（分類模型），並利用模型的例項級校準機率和人類的類別級校準機率來實現融合。
PLACO框架在此基礎上進一步擴充套件，引入多階段策略以最佳化成本效益。它不滿足於簡單的機率組合，而是透過分階段決策和校準，在保持高準確性的同時降低總體成本。研究指出，PLACO不僅適用於傳統的人機分類場景，還可擴充套件至更復雜的協作環境，例如當多個模型或多個人類參與時的情形。論文的作者包括Pranavkumar Mallela及其合作者，該研究提交於2026年5月8日，目前仍在等待DOI註冊。研究人員表示，PLACO框架有望成為下一代人機協作系統的基石，為需要同時兼顧人類判斷和模型精度的應用提供高效解決方案。透過多階段框架，PLACO旨在實現成本效益和效能的平衡，使得在資源受限的場景下也能有效利用人類和AI的互補優勢。該工作還討論瞭如何將PLACO整合到現有的AI工作流中，以及如何透過校準技術確保機率輸出的可靠性。此外，PLACO考慮了實際部署中的計算成本和人類參與成本，提出了靈活的階段劃分策略，以適應不同的成本約束。該研究為未來人機協作系統的設計提供了新的思路，特別是在需要高可靠性且控制預算的應用中。