新论文证实向基础模型传递辅助证据不确定性可显著提升分类性能
热点事件持续更新
新论文证实向基础模型传递辅助证据不确定性可显著提升分类性能
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年11月19日,Soumyajit Chatterjee等人在arXiv发布论文《Tell Me How Sure You Are》,首次系统证明向LLM传递辅助证据的不确定性可改善下游决策,为未来推理流程设计提供依据。 实验覆盖五个基础模型和三个数据集,评估人类及学习模型在观察或预测辅助证据时产生的不确定性。结果显示,相较于未传递不确定性信息的情况,传递该信息后macro-F1最高提升26.18个百分点,在多种设置中均取得改善,表明不确定性信息包含关于下游决策正确性的预测信息。
AI 根据报道生成 · 12 小时前更新
最新进展11月19日 13:00
向基础模型传递辅助证据不确定性可显著提升分类性能报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv · ML向基础模型传递辅助证据不确定性可显著提升分类性能
该研究首次系统证明向 LLM 传递辅助证据的不确定性可改善下游决策,在图像分类任务中 macro-F1 最高提升 26.18 个百分点。 实验覆盖五个基础模型和三个数据集,发现不确定性信息包含关于下游决策正确性的预测信息,为未来推理流程设计提供依据。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月19日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月20日
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。