arXiv 证明 RL 评论家可直接复用为 LLM 置信度估计器
原文标题：Free Lunch for LLMs Confidence: The RL Critic Already Knows
重要度 4/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文比较同等容量的自评与外部置信度估计器，发现仅基于策略行为轨迹训练的外部模型即可达到与策略自身相当的置信度估计精度。作者进一步证明在基于正确性的结果下，置信度估计与评论家训练等价，因此经价值型强化学习训练的 LLM 可直接复用现有评论家作为置信度估计器，无需额外训练或数据，在数学、代码、工具调用等十余领域均表现最佳。
- 问题
- LLM 置信度估计需要额外训练数据和算力。
- 方法
- 证明基于正确性结果时置信度估计与 RL 评论家训练等价，直接复用价值型 RL 已有的评论家。
- 结果
- 在数学、代码、工具调用等十余领域，复用评论家均为最佳置信度估计器，且策略性能不变。
- 影响
- 做过价值型 RL 的模型可零成本获得逐 token 置信度，直接用于拒答、路由和人工复核。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文证明置信度估计与评论家训练等价，价值型RL的LLM可直接复用评论家做置信度估计器。
- •同等容量下，仅基于策略行为轨迹训练的外部模型，置信度估计精度与策略自身相当，无需访问内部表示。
- •在基于正确性的结果下，论文证明置信度估计与评论家训练等价，都预测回答正确的可能性。
- •经价值型RL训练的LLM可复用现有评论家，无需额外训练或数据，策略不变故任务性能保留。
- •评论家可在生成全程提供置信度，包括中间推理步骤，覆盖数学、代码、工具调用等十余领域且表现最佳。
为什么重要：若成立，部署方无需专门置信度训练阶段即可获得逐步置信度信号，省去额外数据与算力，对RL后训练模型的可靠部署影响直接。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。