研究人员引入了 Credal 大型语言模型 (CLLM)，以解决 LLM 生成自信但错误的答案的问题。与使用单一预测分布的标准 LLM 不同，CLLM 采用 LoRA 适配器集成来创建 Credal 集。该集合暴露了一系列合理的分布，从而可以推导出更好地反映不确定性的承诺分数。所提出的方法，Credal Token Commitment (CTC) 和 Semantic Commitment Consistency (SCC)，在 Gemma-2-9B、Llama-3.1-8B 和 Qwen2.5-7B 等模型上进行了评估，显示出在问答准确性和校准方面的改进，同时有效跟踪幻觉率。 AI
影响 引入了一种新颖的 LLM 不确定性量化方法，有望提高 AI 应用的可靠性和可信度。
排序理由 该集群包含一篇详细介绍 LLM 新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- ARC-Challenge
- Credal Large Language Models
- Gemma-2-9B
- Large language models
- Llama-3.1-8B
- LoRA adapters
- OpenBookQA
- Qwen2.5-7B
- TriviaQA
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
