精选理由
这篇论文用22种语言、9种方法实测发现：让模型用英文思考能大幅改善低资源语言的不确定性估计，选方法还得看模型大小。
该研究首次在22种语言（涵盖高、中、低资源）上系统评估了9种不确定性估计方法。发现用英文推理（即使问题为低资源语言）能显著提升UE性能，并缩小与高资源语言的性能差距。研究还指出，小规模模型下基于概率的开放盒方法更优，大规模模型下封闭盒的自我表述不确定性更有效。论文提供了多语言选择性预测中阈值选择的指导。
AI 翻译 · 中文
该研究首次在22种语言（涵盖高、中、低资源）上系统评估了9种不确定性估计方法。发现用英文推理（即使问题为低资源语言）能显著提升UE性能，并缩小与高资源语言的性能差距。研究还指出，小规模模型下基于概率的开放盒方法更优，大规模模型下封闭盒的自我表述不确定性更有效。论文提供了多语言选择性预测中阈值选择的指导。
Uncertainty estimation (UE) enables LLM-powered systems to recognize when to abstain, yet existing research has predominantly focused on English. We present the first large-scale evaluation of UE methods across 22 langua…