Semantic Density：面向大语言模型的语义空间不确定性量化

基于摘要分析。本文研究大语言模型（LLMs）生成回答时的不确定性量化，提出 Semantic Density，从语义空间中的概率分布角度提取每条回答的不确定性或置信度信息，旨在帮助评估生成内容的可信程度。 作者指出，现有方法可能受到仅适用于分类任务、需要额外训练和数据、侧重词汇而非语义信息，以及只能提供提示级而非回答级评估等限制。Semantic Density 的核心定位是回答级语义不确定性评估；作者称该框架不限制任务类型，可直接用于新模型与新任务。摘要未交代语义表示、概率分布估计及置信度计算的具体形式，因此尚不能判断其计算开销、模型访问要求或部署条件。 作者报告，在四个自由形式问答基准、七个 LLMs 上开展实验，模型包括 Llama 3 和 Mixtral-8x22B；在这一评估范围内，Semantic Density 相较既有方法表现出更好的性能与鲁棒性。摘要未提供基准名称、对照方法、具体指标、数值及统计结果，实验协议、消融及统计信息尚未验证。语义层面的不确定性评分也不应直接等同于事实正确性保证。 本文主要研究对象是 LLM 回答的可信度评估，而非 EEG 信号建模或 BCI 解码。当前材料不足以建立其与神经信号处理瓶颈的具体机制对应，不据此推断 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。