集成贝叶斯推理：利用小型语言模型在档案匹配任务中实现大语言模型级别的精度

本研究探讨了小型语言模型（SLM）集成在实现与专有大型语言模型（LLM）相媲美的准确性方面的潜力。我们提出了一种新颖的方法——集成贝叶斯推理（EBI），该方法通过应用贝叶斯估计来综合多个SLM的判断，使其能够超越单个模型的性能限制。我们在多种任务（包括日语和英语的能力评估及消费者画像分析）上的实验验证了EBI的有效性。特别地，我们分析了将具有负提升值的模型纳入集成后整体性能提升的案例，并考察了该方法在不同语言间的适用性。这些发现为在有限计算资源下构建高性能人工智能系统，以及有效利用个体性能较低的模型提供了新的可能性。基于现有关于LLM性能评估、集成方法及开源LLM利用的研究，我们讨论了本方法的新颖性与重要意义。