SPARK：自适应调节参数化知识参与度

2026年10月15日，arXiv Artificial Intelligence 刊出由 Ruochang Li 等作者提出的 SPARK 框架，用于提升检索增强生成（RAG）的忠实度。该框架将参数化知识控制建模为隐式参与策略学习问题，使大语言模型能在生成过程中自适应调节参数化知识的贡献。SPARK 引入一个轻量参与策略，动态调节由 FFN 介导的参数化知识贡献，同时保持主干 LLM 完全冻结；该策略以忠实度为导向的奖励优化，仅引入并训练 0.01% 的额外可训练参数。报道称，SPARK 在六个数据集上实现了比竞争基线更忠实的生成，并保留了模型的通用能力。作者表示全部数据集与代码均已公开。截至该报道，事件仍处于论文发布阶段，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。