PulseAugur
中
实时 11:53:42
English(EN) Uncertainty Quantification for LLM Function-Calling

LLM 研究解决函数调用和系统传播中的不确定性问题

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文探讨了大型语言模型（LLM）中不确定性的关键问题。第一篇论文研究了专门针对 LLM 函数调用的不确定性量化方法，发现简单的单样本方法可以有效，并且可以通过分析输出来改进。第二篇论文解决了复杂 LLM 系统中的不确定性传播问题，提出了一个框架来理解错误如何在各种系统组件和过程中累积。 AI

影响 这些论文强调了在 LLM 系统中更好地管理不确定性的必要性，这对于在实际应用中可靠部署至关重要。

排序理由 两篇在 arXiv 上发表的关于 LLM 不确定性的学术论文。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM 研究解决函数调用和系统传播中的不确定性问题

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Zihuiwen Ye, Lukas Aichberger, Michael Kirchhof, Sinead Williamson, Luca Zappella, Yarin Gal, Arno Blaas, Adam Golinski ·

    LLM 函数调用中的不确定性量化

    arXiv:2604.22985v1 Announce Type: new Abstract: Large Language Models (LLMs) are increasingly deployed to autonomously solve real-world tasks. A key ingredient for this is the LLM Function-Calling paradigm, a widely used approach for equipping LLMs with tool-use capabilities. How…

  2. arXiv cs.AI TIER_1 English(EN) · Boming Xia, Liming Zhu, Erdun Gao, Qinghua Lu, Minhui Xue, Dino Sejdinovic ·

    LLM驱动系统中的不确定性传播

    arXiv:2604.23505v1 Announce Type: cross Abstract: Uncertainty in large language model (LLM)-based systems is often studied at the level of a single model output, yet deployed LLM applications are compound systems in which uncertainty is transformed and reused across model interna…

相关实体

相关话题