清华提出 Jev-LDE：单次编辑 ICL 示例可提升 1-shot 平均准确率

清华大学自动化系团队提出局部示例编辑方法 LDE，训练小型编辑模型 Jev-LDE，在已有检索得到的 ICL 示例集合基础上仅做一次保留、删除或替换的局部调整，无需反复调用目标大模型。实验显示该方法在 48 个分类配置中 46 个优于初始检索结果，跨 3 个分类数据集、4 个目标大模型的 1-shot 平均准确率从 81.2% 提升至 88.1%，端到端推理时间仅增加约 11%，训练得到的编辑策略可迁移至未见过的目标模型与检索器，目前在分类任务上效果稳定，暂未在数学推理等任务上取得同等收益。