数证据而非数句子：面向长文本价值测量的 LLM 判断温和证据融合

研究者提出 Tempered Evidence Fusion（TEF），将长文本价值测量建模为决策融合问题：按每句话归一化信息增益对其 log-odds 加权，使不确定句子贡献趋近于零，同时保留决定性证据的贝叶斯最优权重。该规则无需训练。团队同时发布 MIND 基准，含 8,358 条中英文帖子，覆盖五年公共事件与六个价值维度。在五种 LLM、两种语言上，TEF 相比 Direct、Majority Vote、Soft Vote 中最强基线平均提升 4.5 个准确率点和 4.6 个 macro-F1 点。

此前的做法要么让模型直接输出文档级标签，容易过度自信；要么对句子级预测做多数投票或软投票，把不确定句子与决定性句子等同对待。TEF 把不确定与决定性证据区分开，并把评估基准从零散样本扩展到跨五年、双语言的公开事件数据集，使长文本价值测量的对比更有统一依据。

长社交媒体帖通常混合背景、引用、让步和少量真正承载立场的句子，因此文档整体语义与价值倾向并不同步。TEF 不从句子数量出发，而是用广义贝叶斯后验推导每句 log-odds 的归一化信息增益作为权重：信息增益低的句子权重趋近零，信息增益高的句子权重接近贝叶斯最优。融合结果因此由少数决定性句子主导。该规则无需训练，可直接套用到已有 LLM 判断之上。

对需要从长文本中提取立场、偏好或风险信号的团队，可直接在推理链末端加一层加权融合，不必重新训练模型，改动成本集中在句子级打分与权重计算。对内容审核、舆情监测、用户研究类产品，可减少长帖中引用和让步表述带来的误判，并降低对单次文档级判断的依赖。代价是需维护逐句打分流程，推理调用次数和延迟可能上升。

• 在现有 LLM 标注流程中加入 TEF 融合层，先对长文本逐句打分再按信息增益加权，作为可直接对比的基线替换多数投票。
• 用 MIND 的六维度标签体系搭建领域内价值倾向评测集，复现 TEF 与 Direct、Majority Vote、Soft Vote 的对比结果。
• 将逐句信息增益权重输出为可解释字段，向用户展示哪些句子主导了最终判断，用于人工复核场景。
• 针对中文长帖场景单独验证 TEF 效果，评估是否需要在句子切分与中文引用识别上做额外预处理。

• TEF 在 MIND 之外的领域和语言上是否保持同等提升幅度，证据未说明。
• 逐句打分带来的推理成本与延迟增加具体是多少，正文未给出数据。
• TEF 依赖的句子切分方式对结果影响多大，证据未涉及。
• MIND 的标注质量、标注者一致性及六个价值维度的具体定义，摘要中未说明。