U-Space：揭示语言模型中不确定性何时产生及其原因

基于摘要分析。本文研究语言模型单次回答的可靠性评估，提出低维子空间 U-Space，将生成过程中不断变化的不确定性映射为可解释的 token 级信号，并可汇总为标量分数。主要研究对象是语言模型，而非 EEG 信号或 BCI 解码。 核心机制是识别表示怀疑与确定性的语义锚点，将其 unembedding 方向映射回残差空间，再组合这些方向之间的对比以构建正交基。U-Lens 将每个 token 的状态投影到这些基向量上，形成可直接检查的不确定性图。摘要称，该方法不需要正确性标签、重复生成或训练；但锚点选择、具体映射、子空间维度及分数聚合方式尚未验证。“无需训练”也不等于无需访问模型内部状态，所述机制依赖 token 状态与 unembedding 信息。 作者报告，在推理基准上，该方法的置信度分数在标准评估和控制生成长度的评估中均优于既有基线，并比有监督估计器迁移得更可靠。长度控制具有具体研究价值：它旨在区分不确定性特有信息与输出长度所带来的预测能力。但摘要未给出基准名称、模型、划分、指标、数值、对照方法或迁移设置，不能据此判断优势幅度及适用边界。实验协议、消融及统计信息尚未验证。 复现时需核对语义锚点和正交基的构建是否稳定、长度控制的实施方式，以及 token 级信号如何对应答案正确性。标题涉及不确定性产生的原因，但摘要主要支持一种内部状态表征与预测方法，尚不足以确认因果解释。本文未提供 EEG/BCI 验证，不能将语言模型上的可靠性结果视为神经信号解码效果；相关 EEG 工作尚未检索确认。