「不确定度量化」共找到 179 篇相关文章
TRM思考奖励模型上线，大模型推理质量终于能量化了 | ICML‘26 Oral
大模型推理评测多只看答案，忽略推理过程。上海多校团队提出TRM，用ME² principle刻画推理质量，DAG-based pairwise evaluation还原结构，训练奖励模型，让推理质量可度量、训练和优化。
GPT-5都救不了的AI幻觉，原来问题不在模型，在“考卷”
OpenAI研究指出AI产生幻觉的根本原因是评估和激励机制有问题。现有训练和评估流程奖励‘猜测’，导致模型易产生幻觉。研究还给出解决方案，要更新‘考试规则’，让模型适当表达不确定。
长程任务飙升98%，斯坦福Skill原生LLM来了
普林斯顿、CMU、斯坦福、牛津等提出Skill-Native大模型，提出Skill Entropy度量技能切换难度，搭建Skill²-Bench评测，还将熵用作训练信号提出Skill-Entropy RL，提升多模型准确率，且技能熵可复用。
当 Agent 成为新的核心云用户：阿里云重新定义“用云范式”
Agent 进入企业速度超预期，调用云资源使云平台需改变。阿里云发布云 Skills 门户，将云能力 Agent 化，通过三层体系处理不确定性，引入 SDD 规范调云链路，还强调开放标准的重要性。
GPT-5.2已上线24小时：差评如潮！
OpenAI 十周年推出号称强大的 GPT - 5.2，却差评如潮。它在 SimpleBench 测试结果不佳，回答不稳定，编程和艺术创作效果差，情商低、不通人性，审查和安全拒绝机制也饱受诟病。
真狠！4 万 Star CodeWhale，AI 写代码最怕的是什么？？？？
文章介绍开源的CodeWhale，它是terminal coding agent harness，GitHub超4万Star。它给代码Agent定规则，涵盖身份、证据等原则。支持多模型，有任务流程和多Agent协作功能，还分析适用人群并给出启动方法。
Switch 2芯片细节曝光！英伟达专门定制支持DLSS，网友：掌机模式相当于PS4
数毛社消息，Switch 2采用英伟达真·定制版芯片，含8核CPU和12GB LPDDR5X内存，GPU基于Ampere架构，支持DLSS和光线追踪。不过配置也引吐槽，如掌机性能降、续航或不长等。
到底谁是第一，阿里和字节吵了起来
AI行业发展，阿里和字节为谁是AI云第一起争执。源于不同报告定义时间滞后、AI云定义不同。MaaS服务是衡量大模型调用量依据，但难定谁领先，阿里云和火山云将有一场恶仗。
火爆全网的Skills，终于有了最简单的打开方式。
扣子更新到2.0版本，上线Skills和长期计划功能。Skills很火但现有支持产品对普通人门槛高，扣子降低了其使用和创建门槛，还提供两种创建方式；长期计划能帮用户定目标做规划，但有一些不足。
刚刚，OpenAI发长篇论文：大模型幻觉的原因找到了~
OpenAI发论文揭示语言模型出现幻觉的根本原因，即训练和评估过程奖励猜测而非承认不确定性。预训练阶段就埋下幻觉种子，后训练阶段‘考试机制’强化幻觉，还给出改评分规则的解法。