潜在空间中的 Chain-of-Embedding 实现无需输出的 LLM 自评估

基于摘要分析。该研究关注 LLM 如何利用自身内部信息估计回答正确性，提出潜在空间中的 Chain-of-Embedding（CoE），以推理过程中的隐藏状态变化支持无需输出的自评估。研究对象是 LLM 回答可靠性，而非 EEG 解码或 BCI。 核心机制是将推理时产生的全部渐进隐藏状态组成 CoE，并将其视为 LLM 的潜在思考路径。作者报告，正确回答与错误回答对应的 CoE 特征存在差异，可据此估计回答正确性。摘要未说明隐藏状态的具体采样位置、特征计算方式、正确性分数构造，以及“无需输出”是否仍依赖完整或部分生成过程，这些均需查阅正文确认。 作者报告，在四个不同领域、七个 LLM 上的实验支持该方法有效，并称其设计无需标签、无需训练，计算开销达到毫秒级。摘要未提供领域及模型名称、数据划分、对照基线、评价指标、具体性能数值，也未给出计时硬件及开销统计范围，因此尚不能判断其相对已有自评估方法的收益或部署成本。实验协议、消融及统计信息尚未验证。 该方法的直接价值在于探索 LLM 内部状态变化与回答正确性之间的关系。现有材料未建立这一机制与 EEG/BCI 任务的具体对应关系，不据此推导神经信号应用效果或提出迁移复现实验；相关 EEG 工作尚未检索确认。