新研究为区分LLM token生成提供理论保证

一篇新发表在arXiv上的论文介绍了一种通过将大语言模型（LLM）的token嵌入建模为动态系统来区分LLM的理论保证。该研究将此分类任务形式化为一个二元假设检验，证明了准确率的下限受限于系统平稳边际分布的总变异距离。论文还表明，误分类概率随序列长度呈指数级下降，由一个称为动态可辨识性的量决定，并提供了一个理解跨嵌入泛化的框架。 AI

影响 为分析LLM行为提供了理论基础，可能带来更鲁棒的模型差异评估和理解。

排序理由 该聚类包含一篇发表在arXiv上的研究论文，详细介绍了对LLM token生成的理论分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• computer science
• DagsHub
• dynamical system
• Gotit.pub
• Hugging Face
• IArxiv
• large language models
• machine learning
• ScienceCast
• Token Generation

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →