在修正版CIC-IDS2017上，四个异构检测器给出的标签与置信度被按威胁模型污染后，未经核验的开源LLM调查员在四个检测器坏掉一个时准确率降到0.50–0.72，坏掉三个时全部跌到0.13以下。冲突感知证据核验（CAV）把上报置信度排除在投票之外，只在工具之间出现冲突时，用基于原始流量特征的最近邻信任分数检验候选家族。冻结提示词后，CAV-LLM在三个检测器被污染的持久与偶发两种情形下达到0.84–0.88，而朴素调查员至多0.08，同时只在0.4%的干净流量上调用LLM。
ConceptTime把冻结概率预测器在每一步的预测落差当作统一信号，同时决定时间序列的分段边界并描述每段相对预期的行为，从而在不使用固定窗口、专家概念标注或语言模型的情况下得到可检查的概念词表。在17个公开基准上，它的准确率与黑箱方法相当并优于所有可解释基线；在癫痫数据集上只用1%标签仍保持97.91%准确率，原型距离还直接充当弃权用的保真度分数。
回归模型在高风险决策中需要同时给出点估计、风险区间和弃权选项，而此前区间方法与选择性预测各自只提供其中一部分。SelPI把区间头、取值头和两个弃权门放在同一个损失下联合训练，并用Fréchet惩罚把两个门的预算与联合接受率绑定。在18个表格基准上，区间宽度能较好预测大的点误差，却与区间未命中呈负相关，因此按宽度弃权会丢掉区间本来正确的输入；固定基础预测器后，学到的门在全部18个表格数据集上按区间评分优于宽度阈值，并随任务异方差性增强而扩大优势。
儿童腕部细微骨折在X光片上常只表现为局部皮质中断或细线状透亮，而骨骺、生长板和重叠骨影让这类征象难以分辨。MV-CortexGuard把正位与侧位片放在同一套解剖坐标里比对皮质连续性，并对高风险检查选择交由专家复核。在GRAZPEDWRI-DX内部测试集上，其小骨折子集平均精度为52.7%，比YOLOv10m高6.6个百分点，整体AP@50–95为63.4%。
多病种视网膜筛查需要逐张判断自动结论能否不经复核直接采用。RetinaGuard把图像质量、诊断、不确定性、独立验证与解释等智能体收集的证据汇成一个“决策不安全”概率，只在证据的期望价值超过计算成本时调用工具，并用保形风险控制认证接受阈值。在RFMiD测试集上，较弱主模型（宏AUROC 0.896）时，20%转诊预算下它捕获280例不安全决策中的119例，最低置信度转诊为88例；主模型换成更强版本（0.925）后，验证器带来的增益缩小到几个百分点。
产程超声中自动测量进展角（AoP，耻骨联合长轴与胎儿颅骨切线之间的夹角）平均误差只有几度，但少数帧会无声地错上几十度。在IUGC2025公开基准的501个测试文件上，六个关键点检测器组成集成，用检测器之间的分歧给每帧排序，把最可疑的5%转人工复核后，20度以上大错在保留帧中的比例从1.2%降到0.2%，六例中抓住五例。漏掉的那一例是六个检测器一致低估、彼此分歧很小的情况；按角度算分歧与按关键点坐标算分歧在主要终点上未检出差异，验证集定出的阈值在测试集上也没有守住预定的复核比例。
在Qwen3-14B的事实问答上，固定生成器、另训一个答案筛选器，比直接训练模型何时弃答更有效。TriviaQA上，筛选器把平均覆盖率从原模型校准置信度过滤的20.2%提高到30.9%，同时把已作答答案的合并错误率从23.0%降到14.5%；但换到NQ-Open，其平均效用仍低于全部弃答，跨数据集可靠弃答仍未解决。
该工作提出 SAUCE，一种免训练的不确定性估计器，把并行多智能体推理中的不确定性建模为对潜在系统级信念的序贯推断：每轮以跨智能体一致度作为证据、以生成不确定性作为该证据的噪声权重，通过滤波式递推更新信念，并在五个骨干模型、五个基准与 Debate、DyLAN 两个协议上改善了误分类检测、选择性预测与校准。
该研究把只输出判决与标签概率的决策式评判器 JEV 与十六个生成式与奖励模型评判器在偏好、事实性与答案裁定任务上对比，并配合盲法人工裁定，发现它在普通偏好与有证据支撑的事实性判断上距最强对比模型 GPT-6 不到三个百分点而费用约为其 0.36%，差距主要集中在低置信度决策上，因此一个“置信即接受、不确定即升级”的冻结级联可在更低成本下保留约 99% 的对比模型准确率。
已读完全部报道