Handover of In-Context Learning State Across Session Boundaries
跨会话边界的上下文学习状态交接AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究语言模型会话交接、充分信息和记忆复杂度，回归仅作理论示例，缺乏归入所给计量细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
跨会话边界的上下文学习状态交接
- 研究问题
- 大语言模型任务跨会话延续时，应保留哪些信息才能维持目标预测分布，所需记忆量又如何随后续任务变化？
- 方法与思路
- 作者将交接定义为任务相关的上下文学习状态转移，以预测等价刻画充分交接，并提出约束、统计量和原始观察三部分记录。
- 材料陈述的贡献
- 摘要称在外生性条件下刻画最粗确定性充分交接及比特需求，并在线性和非参数回归中给出记忆与预测误差的结果。
- 阅读关注点
- 应核对外生性与预测等价的定义、下游查询未知时的成本，以及回归示例能否支持真实语言模型任务中的交接方案。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供实际语言模型实验，不能据回归结果推断普遍交接可靠性。
原文摘要
This study investigates the methodological and theoretical properties of session handover in applications that use large language models. A task may continue in a new session when the context reaches the model's input limit, when the application restarts, or when another agent is asked to finish the task. The application must then decide which information from the earlier session to pass on. We formulate handover as the transfer of a task-relative in-context learning (ICL) state and distinguish exact recovery of earlier material from preservation of the target distribution. Under an exogeneity condition, predictive equivalence characterizes the coarsest deterministic sufficient handover and gives a fixed-length bit requirement. The analysis isolates the effects of the memory constraint, the writer, and the continuation procedure, and quantifies the cost of writing before the realized downstream query is known. We propose a three-part record that stores decisions and constraints exactly, uses task-justified statistics for repeated evidence, and retains original observations whose effect is not preserved by those statistics. Gaussian linear regression gives an exact finite-dimensional handover and finite-bit perturbation bounds, while nonparametric regression gives upper and lower bounds that relate memory to squared prediction error. These results provide a theory and method for deciding what a handover must retain and how its memory requirement depends on the continuation task.