New GLU method enhances LLM uncertainty quantification

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-10 04:00

研究人员开发了一种名为全局-局部不确定性（GLU）的新方法，以改进大型语言模型量化其不确定性的方式。该方法将 token 级熵与源自模型隐藏状态几何复杂性的新型全局不确定性度量相结合。通过融合这两个信号，GLU 可以识别出传统方法经常遗漏的自信但错误的输出，并在单次前向传播中跨各种基准和模型架构展示出改进的可靠性。 AI

影响通过识别自信但错误的输出，增强了 LLM 的可靠性，这对于安全部署至关重要。

排序理由这是一篇详细介绍 LLM 不确定性量化新方法的论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Johanne Medina, Tianyi Zhou, Keivin Isufaj, Aristides Gionis, Sanjay Chawla · 2026-06-10 04:00

Integrating Local and Global Entropy for Uncertainty Quantification in LLMs

arXiv:2606.09875v1 Announce Type: cross Abstract: Large language models hallucinate confidently, making uncertainty quantification (UQ) essential for reliable deployment. Existing methods rely predominantly on token-level signals, leaving the geometric structure of intermediate h…

报道来源 [1]

Integrating Local and Global Entropy for Uncertainty Quantification in LLMs

相关实体

相关话题