待验证50% 置信事实精确时间

论文提出了一种基于优化的新算法（代号METHODNAME），直接从LLM输出中学习最优的不确定性画像，而非通过反复采样估计不确定性

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

当LLM说"很可能"：语言不确定性与人类的鸿沟

涉及实体

METHODNAMEconcept LLMtechnology

相关事实

待验证METHODNAME方法为每个语言标记拟合一个标记—不确定性映射，使其最好地解释模型实际答案的正确率71% 相似待验证在工具调用环节加入 Schema 校验可把模型输出的不确定性约束在可控范围内70% 相似待验证基于模型的强化学习在样本效率上通常比无模型方法高出一个数量级以上，代表性算法包括Dyna、MBPO和Dreamer系列70% 相似待验证机器学习问题在概率视角下能够得到最好的分析，概率方法是在不确定性下进行决策的最优途径69% 相似待验证概率论是现代AI的数学基础，涵盖贝叶斯推断、生成模型采样、不确定性量化和强化学习策略优化等领域69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/971826

API

curl https://kongchang.com/api/v1/knowledge/claims/971826

MCP

get_claim(id=971826)