让模型学会说“我不知道”：换掉答题策略不如加一个答案筛选器，TriviaQA覆盖率从20.2%升到30.9%
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。
Porcedda 用 Sys1Cal-v1 测出 Jev 的 Choice 概率被系统性扭曲，补回一个“不确定”分量后中位软准确率从 0.771 升到 0.978
Porcedda 构建了 Sys1Cal-v1——一个由 92 个概率问题渲染成 365 个真/假条目的合成数据集，其命题概率由构造已知——并用总变差距离与分布重叠（软准确率）评估 Jev 的 Noul、Choice、Score 三个原语以及开源基线 SemIf，发现 Jev 的 Choice 概率被系统性扭曲，而用一个从 Score 期望估计出的潜在“不确定”第三真值分量反演校正后，Choice 的中位软准确率从 0.771 提升到 0.978。
跨队列评估甲状腺超声深度学习在不同结局定义下的表现：一项去重控制的基准研究
该预印本在去重控制的图像级划分下训练了五个骨干网络（387张甲状腺超声图像、1,332个细针穿刺细胞学图像块，标签来自术后诊断），并将冻结模型分别用于TN3K（n=1,228，数据集自带良恶性标签）和DDTI（n=637，由放射科TI-RADS类别派生的二分类终点），结果显示超声集成模型在TN3K上AUROC为0.825、ResNet-50为0.888，而在TI-RADS派生终点上AUROC仅为0.477和0.437，细胞学基准AUROC为0.986（0.970–0.998）对比超声集成0.733，作者强调由于队列、采集与终点同时变化，这一对比不能归因于标签定义本身。
已读完全部报道