用鞅论刻画自回归解码随机动态
热点事件持续更新
用鞅论刻画自回归解码随机动态
1 篇报道1 个报道来源16 小时前更新
先了解这件事
报道摘要
研究将 LLM 自回归解码的每步预测误差定义为采样 token 指示与模型条件分布之差，证明其累积误差过程构成鞅，条件一阶矩恒为零；二阶可预测二次变差化简为 Σ(1−p(y_t|y_<t))，仅由已实现 token 概率即可计算。在 Llama-3.x 与 Qwen2.5（1B 至 72B）上的白盒实验显示，实测二阶矩与理论预测高度吻合，为 LLM 生成文本检测与不确定性量化提供数学基础。
摘自 arXiv：cs.AI
最新进展10月15日 12:00
LLM 自回归解码的鞅刻画：从概率视角分析生成随机动态报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AILLM 自回归解码的鞅刻画：从概率视角分析生成随机动态
研究将 LLM 自回归解码的每步预测误差定义为采样 token 指示与模型条件分布之差，证明其累积误差过程构成鞅，条件一阶矩恒为零；二阶可预测二次变差化简为 Σ(1−p(y_t|y_<t))，仅由已实现 token 概率即可计算。在 Llama-3.x 与 Qwen2.5（1B 至 72B）上的白盒实验显示，实测二阶矩与理论预测高度吻合，为 LLM 生成文本检测与不确定性量化提供数学基础。
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。