Random（随机性）是机器学习与统计学中的基础概念，指通过随机过程、随机初始化、随机采样等手段引入不确定性，用于模型训练、算法设计与性能评估。随机性既是大模型训练和生成模型的核心机制，也是众多研究用来衡量方法鲁棒性的基准。近期围绕随机性的研究覆盖了随机森林改进、随机场生成建模以及评测中的随机性控制等多个方向。
Random 相关研究的近期进展
Random 机制的观察点
从近期文献看，随机性相关研究呈现两条主线：一是随机算法本身的改进，如 Random Jump Forests 将随机森林思想迁移到多状态模型的转移率估计；二是检验深度模型能否刻画真实随机过程，如高斯随机场复现研究对生成模型提出了更细粒度的统计要求。
值得关注的争议点在于评测的可靠性：PAA-Bench 的结论表明，当前部分剪枝与调参方法的对比结果可能受指标选择和实验随机性影响，结论的可复现性存疑。后续观察方向包括随机化方法在科学计算场景（如随机场、生物统计）的落地效果，以及大模型推理优化中如何系统性替代随机搜索。