English(EN) Evaluation Pitfalls and Sparsity Limitations in LLM-based Confidence Estimates for Classification

新论文发现LLM置信度估计受稀疏性影响存在缺陷

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-06 04:00

一篇新发表在arXiv上的研究论文强调了大型语言模型（LLMs）在分类任务中估计置信度时存在的重大局限性。研究发现，像语言化这样的常用方法会产生过于稀疏的输出，像Qwen3-32B这样的模型只提供很少的独特置信度值。这种稀疏性严重影响了评估指标，并根据插值选择改变了模型排名。研究人员提出了一种名为‘语言化对数概率’（verbalization logprobs）的新方法，该方法在不增加推理成本的情况下解决了稀疏性问题并改进了置信度估计。 AI

影响强调了LLM置信度估计中的关键问题，可能影响其在分类任务中的可靠性，并影响未来的评估方法。

排序理由一篇发表在arXiv上的研究论文，详细介绍了LLM的评估方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 一篇发表在arXiv上的研究论文，详细介绍了LLM的评估方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 62 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Elena Merdjanovska, Omar Zaidan, Andreas R\"uckl\'e · 2026-08-06 04:00

LLM-based 置信度估计在分类中的评估陷阱与稀疏性限制

arXiv:2608.04899v1 Announce Type: new Abstract: Confidence estimation is essential when LLMs are used for classification, indicating when predictions can be trusted. However, common approaches such as verbalization produce extremely sparse outputs. For instance, Qwen3-32B verbali…

本文如何被排名

报道来源 [1]

LLM-based 置信度估计在分类中的评估陷阱与稀疏性限制

相关实体

相关话题