arXiv · cs.AI· Aneesh Komanduri, Majid Afshar, Timothy A. Miller, Yanjun Gao·· 7 小时前
大语言模型通过因果鲁棒性衡量机制不确定性
Measuring Mechanistic Uncertainty in Large Language Models via Causal Robustness
arXiv:2610.22636v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Aneesh Komanduri, Majid Afshar, Timothy A. Miller, Yanjun Gao
研究任务与主要进展
研究提出“机制不确定性”概念，并用 Jacobian Lens 概念操纵向量将模型偏离输出所需的最小内部干预定义为因果鲁棒性余量。基于论文摘要，在三个开源模型和五个问答数据集上，错误和不确定回答的余量更小；受控知识注入实验还显示，正确学习的事实在训练后余量增加。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org