Llama-3.2-3B
Meta发布的小规模大语言模型，参数规模为30亿，属于Llama 3.2系列，用于数据选择实验的基准模型
时间轴 (近 90 天)
研究中使用了Qwen2.5-1.5B、Qwen2.5-3B和Llama-3.2-3B三个模型进行实验。
在LLM智能体意见模拟中，智能体对互补问题（将陈述改写为否定形式并将概率p替换为1-p）的回答不满足加和为1的基本要求，这一检验在Qwen3-4B、Llama-3.2-3B和Gemma-3-4B三个小型开源模型上普遍失败。
一个包含24个世界的受控基准测试（每个世界恰好有两种可能结果）在所有三个模型（Qwen3-4B、Llama-3.2-3B、Gemma-3-4B）上都再现了互补一致性检验的失败。
在最终轮次，平均互补答案方法仅在三个模型中的一个上优于两种原始措辞中较好的那个。
在Llama-3.2-3B上，用CACTUS选出的5%数据微调一个全新的稠密模型，在BIG-Bench Hard上达到49.44%准确率；直接用稠密模型选数据是49.54%；ALPS方法选出的数据只能到47.22%。
Qwen系列模型和Llama-3.2-3B都能通过该方法暴露出人类可感知的风格轴
全部知识事实 (6)
研究中使用了Qwen2.5-1.5B、Qwen2.5-3B和Llama-3.2-3B三个模型进行实验。
50%待验证在LLM智能体意见模拟中，智能体对互补问题（将陈述改写为否定形式并将概率p替换为1-p）的回答不满足加和为1的基本要求，这一检验在Qwen3-4B、Llama-3.2-3B和Gemma-3-4B三个小型开源模型上普遍失败。
50%待验证一个包含24个世界的受控基准测试（每个世界恰好有两种可能结果）在所有三个模型（Qwen3-4B、Llama-3.2-3B、Gemma-3-4B）上都再现了互补一致性检验的失败。
50%待验证在最终轮次，平均互补答案方法仅在三个模型中的一个上优于两种原始措辞中较好的那个。
50%待验证在Llama-3.2-3B上，用CACTUS选出的5%数据微调一个全新的稠密模型，在BIG-Bench Hard上达到49.44%准确率；直接用稠密模型选数据是49.54%；ALPS方法选出的数据只能到47.22%。
50%待验证Qwen系列模型和Llama-3.2-3B都能通过该方法暴露出人类可感知的风格轴
50%