Folia
← 返回头版

使用大语言模型生成置信度评分存在根本缺陷

大语言模型生成的置信度评分不应被用于实际应用,因为这些评分缺乏可信置信度的两个关键属性。1 可信的置信度评分必须反映预测所基于的信息量,同时需要根据实际结果进行校准,而LLM生成的置信度既不满足这两点。1

LLM生成的置信度存在多个可观察的问题。1 重复提出相同问题会导致置信度数字发生变化,改变表述方式同样会改变数值,而前文内容也会对结果造成影响。1 这些变化表明LLM的置信度本质上是文本生成的自然延续,而非对实际内容的真实测量。1 从技术角度看,LLM仅在"下一个文本是什么"这一问题上被预训练并校准,而非在"置信度与正确率相匹配"这一维度上校准。1

要构建可靠的置信度评分,无需依赖LLM,而应采用替代方案。1 该方案包含五个步骤:选择可观察的信息作为基础,从历史基数开始建立参考点,记录每个回复及其对应的结果,根据这些记录更新评分规则,定期验证校准情况。1


评论