№uncertainty·general
uncertainty
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-06-10
- 累计提及
- 21
§ 01综述
不确定性（Uncertainty）是AI领域持续关注的核心议题，尤其在模型可靠性与可解释性方面。近期进展聚焦于如何量化、分离并表达模型的不确定性，以提升系统稳定性与用户信任。
在数据处理层面，研究提出了一种系统选择方法，对比不同轨迹数据增强策略，发现基于Outlierness和Uncertainty的算法在稳定性上表现更优，为数据增强提供了更鲁棒的选择。(arXiv: 轨迹数据增强的系统选择方法)
针对大语言模型（LLM），有工作通过不确定性量化技术分离输入模糊性，有效改进了错误预测任务。该方法能区分模型对输入本身的模糊性与模型自身的不确定性，从而更精准地识别潜在错误。(arXiv: 通过不确定性量化分离输入模糊性)
OpenAI则沿另一路径探索：训练模型用自然语言表达其不确定性，而非仅输出数值置信度。这种方法使模型能根据自身状态给出“我可能错了”等表述，增强了人机交互的透明度和可理解性。(OpenAI Blog: 教模型用语言表达不确定性)
当前焦点在于如何在实际系统中有效整合这些方法：是采用统计量化、概率分离，还是语言表达？不同任务可能需要不同的不确定性处理策略。未来值得观察的是，这些技术能否协同工作，形成统一的不确定性框架，从而在自动驾驶、医疗诊断等高风险场景中发挥关键作用。