论文 / arXiv:2510.05490
LANTERN：面向岗位-人员匹配与解释的大语言模型可扩展蒸馏
LANTERN: Scalable Distillation of Large Language Models for Job-Person Fit and Explanation
Zhoutong Fu, Yihan Cao, Yi-Lin Chen, Aman Lunia, Liming Dong, Neha Saraf, Ruijie Jiang, Yun Dai +11·2025-10-07·cs.CL cs.AI相关度 7
9 pages, 4 figures, 5 tables
⚡ 一句话总结 AI 生成 · 以原文为准
LANTERN通过多层级知识蒸馏同时完成匹配分类与解释，在线申请率提升0.24%，合格申请提升0.28%。
关键结论
- LANTERN结合多目标建模，用编码器模型做匹配分类，用解码器模型做解释。
- 融合数据层面与logit层面的多层级蒸馏，将黑盒教师模型的知识迁移到多个下游模型。
- 在线评估显示申请率提升0.24%，合格申请提升0.28%。
📄 摘要AI 生成 · 以原文为准
大语言模型（LLM）在广泛的自然语言处理任务中取得了出色表现。然而，在求职平台上的岗位-人员匹配与解释等特定领域应用中大规模部署LLM带来了独特的挑战。在LinkedIn，岗位-人员匹配任务需要将候选人的公开档案与职位要求进行对比分析，从而给出匹配度评估和详细解释。直接将开源或微调的LLM应用于该任务，由于领域复杂性和对结构化输出的需求，往往难以产生高质量、可操作的反馈。此外，这些模型规模庞大，推理延迟高且可扩展性受限，不适合在线使用。为应对这些挑战，我们提出了LANTERN，一个专为岗位-人员匹配任务量身定制的新型LLM知识蒸馏框架。LANTERN包括多目标建模、用于分类目的的编码器模型以及用于解释目的的解码器模型。为了更好地将强大的黑盒教师模型的知识蒸馏到多个下游模型，LANTERN采用了多层级知识蒸馏，同时整合了数据层面和logit层面的洞察。除了介绍知识蒸馏框架外，我们还分享了关于后训练技术和提示工程的经验，这两者对于将LLM成功适配到特定领域的下游任务至关重要。大量实验结果表明，LANTERN显著提升了岗位-人员匹配和解释的任务指标。在线评估进一步证实了其有效性，显示求职者参与度获得可衡量的提升，其中申请率提高了0.24%，合格申请提高了0.28%。
💬 讨论 0
发帖 →还没有讨论，来发起第一个吧。
每日同步自 decision.host · 译文与总结由 AI 生成，每条都附原文链接。