Amazon提出Span级不确定性估计任务SpanUQ

2026年10月22日，机器之心报道了Amazon研究团队在NeurIPS 2026论文SpanUQ中提出的新研究任务与配套方法。该论文题为SpanUQ: Span-Level Uncertainty Quantification for Large Language Model Generation，提出Span-Level Uncertainty Estimation（SLUE）任务：在LLM生成的文本中识别具有完整语义的片段，并为每个片段估计不确定性，而非只给token或整段回答一个分数。方法上，SpanUQ是一个约25M参数的轻量级Probe，利用预训练LLM的Hidden States，同时完成语义片段检测与不确定性估计；据论文评估设置，其相较Sampling-Based方法实现约10–20×的推理加速。团队表示已开放相关代码、模型和Benchmark（SpanUQ-Bench），供后续研究使用。目前进展停留在论文发布与资源开放阶段，报道未提及后续应用或评测反馈。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。