Resumen: Conceptualmente, JAF une la propagación de creencias y los principios de aprendizaje conjunto: la superposición de vecindarios en contexto induce una estructura de gráfico de conocimiento que facilita la propagación de la crítica, y las evaluaciones repetidas y aleatorias producen un conjunto sólido de juicios sensibles al contexto. Se puede crear una instancia de JAF completamente a través de ICL, y el juez solicita cada consulta utilizando su respuesta de agente primario asociada más un conjunto pequeño y posiblemente ruidoso de ejemplos de pares. Si bien kNN en el espacio integrado es un punto de partida natural para los ejemplos, este enfoque pasa por alto la estructura categórica, los metadatos de dominio o las distinciones matizadas accesibles para los LLM modernos.
Para superar estas limitaciones, desarrollamos un algoritmo hash flexible sensible a la localidad (LSH) que aprende códigos binarios informativos mediante la integración de incrustaciones semánticas, predicados hash basados en LLM, supervisión de etiquetas categóricas e información secundaria relevante. Estos códigos hash respaldan una selección eficiente, interpretable y consciente de las relaciones de diversos ejemplos, y optimizan aún más la exploración de las rutas de razonamiento de CoT. Validamos JAF con un estudio empírico sobre la exigente tarea de clasificar errores de configuración en la nube en entornos de nube a gran escala.
Publicado originalmente en export.arxiv.org el 1 de febrero de 2026.
Ver fuente original
