GUT方法量化并优化大模型推理不确定性
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究人员提出GUT方法，通过图复杂度来量化大语言模型的推理不确定性。该方法将推理链的潜在分支表征为有向无环图，包含量化模块GUT-Q和优化模块GUT-O。GUT-Q利用图复杂度近似推理空间复杂度以测量不确定性，GUT-O则将负不确定性作为强化学习的奖励函数来优化模型。实验在四个大模型和五个数据集上验证了该方法的有效性。
为什么值得看
为解决大模型推理过程中的发散与不可靠问题提供了新的量化与优化思路。
大模型强化学习量化数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。