热点事件持续更新
研究揭示推理配置变动会破坏语言模型共形预测保证
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
2026年10月22日，arXiv发表的一项研究形式化定义了推理阶段模型漂移问题。该研究指出，量化模式与推理温度等部署配置的变动会破坏共形预测的可交换性。研究人员在8个语言模型、4个有限标签基准以及12种推理配置下展开评测，结果显示现有的匹配评估方法会显著高估模型部署时的覆盖率。为此，该研究建议在语言模型系统的共形预测评估中，将推理配置纳入作为核心实验维度。
AI 根据报道生成 · 1 小时前更新
最新进展10月22日 12:00
研究提出推理阶段模型漂移定义，证实配置变动破坏共形预测可交换性并高估覆盖率。报道时间线
沿着报道，了解事件的不同侧面。
10月22日
- arXiv 机器学习推理阶段模型漂移下的大语言模型共形预测审计
研究人员形式化定义了推理阶段模型漂移，指出量化模式与推理温度等部署配置变动会破坏共形预测的可交换性。在 8 个语言模型、4 个有限标签基准和 12 种推理配置的评测显示，现有匹配评估会显著高估部署时的覆盖率。该研究建议在语言模型系统的共形预测评估中将推理配置作为核心实验维度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。