代理置信度：用替代模型对数概率审计黑盒LLM智能体
原文标题：Proxy Confidence: Auditing Black-Box LLM Agents with a Surrogate's Log-Probabilities
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。
论文提出「代理置信度」方法，用一个低成本开源替代模型并行读取与智能体相同的上下文、schema 和拟执行动作，通过教师强制、请求 PMI、判别式裁决和工具选择竞争等读出方式，从自身对数概率中恢复前沿 API 隐藏的置信信号。该方法无需训练、无需访问智能体内部，在困难编码任务上 AUROC 达 0.825（智能体自述置信度仅 0.598），可用于实时门控升级可疑调用与置信反馈，显著提升任务成功率。
- 问题
- 前沿 API 隐藏 token 概率，智能体自述置信度接近随机，重采样也因模型高度重复而无效，错误工具调用无法提前拦截。
- 方法
- 用低成本开源替代模型并行读取相同上下文、schema 与拟执行动作，通过教师强制、请求 PMI、判别式裁决与工具选择竞争从其对数概率中读出置信信号，无需训练、无需访问智能体内部。
- 结果
- 困难编码任务上 AUROC 0.825，智能体自述置信度仅 0.598；生成式读出在另外三个智能体上领先 0.07 至 0.28，相对自一致性提升 0.14 至 0.19。
- 影响
- 可在工具调用执行前实时门控可疑调用并反馈置信度，为黑盒智能体提供低成本安全护栏。
深读 · 结论先行AI 生成展开看要点与影响 ↓
用开源替代模型读对数概率审计黑盒智能体，困难编码任务AUROC达0.825。
- •前沿API隐藏token概率，智能体自述置信度仅0.598，接近随机水平；重采样也无效，因前沿模型高度重复
- •替代模型并行读取相同上下文、schema与拟执行动作，通过教师强制、请求PMI、判别式裁决、工具选择竞争等读出方式打分
- •方法无需训练、无需访问智能体内部，成本仅为工具调用旁的一次prefill
- •生成式读出比自述置信度高+0.07至+0.28；对近确定性智能体比自一致性高+0.14至+0.19
为什么重要：为无法获取内部概率的黑盒智能体提供了低成本实时置信信号，可用于门控升级可疑调用，对智能体运维与可靠性工程有直接落地价值。
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。