热点事件持续更新
研究揭示LLM推理Token确定性规律并优化测试计算
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
2026年10月2日，arXiv自然语言处理领域发布的一项研究重新审视了大语言模型（LLM）推理中的Token级别确定性。研究发现，Token级别的确定性更擅长识别模型容易答对的问题，而非区分同一问题下具体答案的正误；其中，问题难度信息通常在生成初期显现，而正误信息则更集中在生成末尾。基于上述特征，研究在测试阶段推理中引入了初期采样分配与末期加权投票机制。实验结果显示，相比固定采样的多数投票基线，该方法将准确率从78.71%提升至79.54%，同时使生成Token的成本降低了82.4%。
AI 根据报道生成 · 8 小时前更新
最新进展10月2日 12:00
研究揭示LLM生成初期与末期的确定性特征，降低82.4%计算成本并提升准确率。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv 自然语言处理确定性不仅是正确性：重新审视 LLM 推理中的 Token 级别确定性
研究表明 LLM 推理中的 token 级别确定性更擅长识别模型容易答对的问题而非区分同题答案正误，且问题难度信息出现在生成初期，正误信息则更集中在末尾。基于此特征在测试阶段推理中进行初期采样分配与末期加权投票，相比固定采样多数投票基线，将准确率从 78.71% 提升至 79.54%，同时降低了 82.4% 的生成 token 成本。
本事件热度走势
当前热度 8·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。