研究：GPT-6.1 Sol 与 Claude Opus 5.5 概率判断最符合全概率定律
原文标题：Latent Coherence: Do Frontier Language Models' Probability Judgments Obey the Law of Total Probability?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文测试七个前沿语言模型在零样本条件下，其概率判断是否满足全概率定律与后门调整等因果一致性要求。结果显示 GPT-6.1 Sol 与 Claude Opus 5.5 最一致（平均绝对残差约 0.08 与 0.12 log-odds），而 Claude Haiku 5.5、Gemini 3.8 Flash、DeepSeek V4-Pro 存在持续不一致。研究还发现残差越大、对真值误差越大，且推理长度无法预测一致性。
- 问题
- 前沿 LLM 零样本概率判断是否满足全概率定律与后门调整等因果一致性。
- 方法
- 分单轮调用分别询问 P(X)、P(z)、P(X|z)，用精确真值计算残差，并用三种措辞区分持续不一致与改写噪声。
- 结果
- GPT-6.1 Sol 与 Claude Opus 5.5 平均绝对残差约 0.08 与 0.12 log-odds；Claude Haiku 5.5、Gemini 3.8 Flash、DeepSeek V4-Pro 持续不一致达 0.27-0.35。
- 影响
- 残差无需真值即可标记不可靠答案，可作为概率型应用的一致性自检信号。
机构：LawZero
深读 · 结论先行AI 生成展开看要点与影响 ↓
七模型零样本概率一致性测试：GPT-6.1 Sol与Claude Opus 5.5残差最低
- •测试全概率定律P(X)=ΣP(z)P(X|z)及后门调整，每题有精确真值概率
- •GPT-6.1 Sol与Claude Opus 5.5平均绝对残差0.08与0.12 log-odds（约2个百分点）
- •Claude Haiku 5.5、Gemini 3.8 Flash、DeepSeek V4-Pro持续不一致（0.27-0.35），多为条目特异而非统一偏移
- •各模型内残差越大对真值误差越大（Spearman 0.40-0.62），残差无需真值即可标记不可靠答案
- •推理长度无法预测一致性
为什么重要：给出一个无需标准答案的一致性残差指标，可用于筛出模型不可靠的概率判断。
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。