热点事件持续更新
研究揭示LLB方法不具备重参数化不变性
1 篇报道1 个报道来源11 小时前更新
先了解这件事
AI 综述
2026年10月2日，arXiv机器学习领域发表研究指出，Large Language Bayes（LLB）的加权机制依赖模型代码编写形式，其证据下界并不具备重参数化不变性。实验显示，在eight schools任务中，同等测度程序的权重差异最高可达6.1倍，在跨维度和似然族场景下差异最高达31.9倍，甚至导致贝叶斯因子反转。此外，对来自6个大语言模型的360个程序进行测试发现，中心化参数化比例在0%至100%之间波动。
AI 根据报道生成 · 11 小时前更新
最新进展10月2日 12:00
研究指出LLB证据下界缺乏重参数化不变性，权重差异最高达31.9倍并致贝叶斯因子反转。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv 机器学习Large Language Bayes 并不具备重参数化不变性
研究表明 Large Language Bayes（LLB）的加权机制依赖模型代码编写形式，因其证据下界不具备重参数化不变性。在 eight schools 任务中同等测度程序的权重差异可达 6.1 倍，跨维度和似然族差异最高达 31.9 倍并导致贝叶斯因子反转。测试来自 6 个大语言模型的 360 个程序发现，中心化参数化比例在 0% 至 100% 之间波动。
本事件热度走势
当前热度 7·可比范围峰值 10（10月2日 13:00）·近 24 小时可比范围变化 –
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。