研究审计Text-to-SQL置信度评分有效性
热点事件持续更新
研究审计Text-to-SQL置信度评分有效性
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
一项研究审计了生产级对话分析系统为 Text-to-SQL 答案附带的置信度评分，发现该设计评分区分答案对错的能力较弱：在 BIRD dev 的 1534 道题上（由 GPT-5.1 作答、每题五次采样），AUROC 仅为 0.624，并扣留了 35.7% 的正确答案。 作者 Raghu Venkat 与 Tricha Anjali 已将该研究公开发布，称这是针对置信度评分能否识别答案正确性的探索性研究，相关结论正在 Spider 数据集上进行预注册验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
置信度评分能否判断 Text-to-SQL 答案对错？基于 BIRD 的探索性研究与 Spider 上的预注册验证报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AI置信度评分能否判断 Text-to-SQL 答案对错？基于 BIRD 的探索性研究与 Spider 上的预注册验证
一项研究审计了生产级对话分析系统为 Text-to-SQL 答案附带的置信度评分：在 BIRD dev 的 1534 道题上（由 GPT-5.1 作答、每题五次采样），该设计评分区分对错的能力较弱（AUROC 0.624），并扣留了 35.7% 的正确答案。
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。