提升大模型动态学习新知识的能力，解决复杂上下文理解难题。

Context-CoT: Enhancing Context Learning via High-Quality Reasoning Synthesis

• 通过高质量推理合成增强上下文学习能力
• 在CL-Bench上将任务准确率从17.2%提升至更高水平
• 适合需要快速适应新场景的智能系统开发者

尽管大语言模型在使用静态预训练知识进行推理方面表现出色，但在上下文学习——即从复杂、任务特定的上下文中动态提取、内化并应用新知识的能力——方面仍存在显著不足。最近对CL-Bench的评估揭示了一个关键能力差距：前沿模型平均仅能解决17.2%的上下文相关任务。

原文摘要 · Abstract (English)

While LLMs excel at reasoning over prompts using static pretrained knowledge, they struggle significantly with context learning-the ability to dynamically extract, internalize, and apply new knowledge from complex, task-specific contexts. Recent evaluations on the CL-Bench reveal a critical capability gap: frontier models solve only 17.2% of context-dependent tasks on average.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。