# 语义熵

该工作提出 ProbeGuard，一个基于多轮共识形成过程而非终局一致率的认证弃答框架：它从系统执行日志提取轨迹特征，对首轮一致票用理由语义熵与主动反证探针检验共识是否由知识支撑，再用分层 Learn-then-Test 校准给出无分布假设的选择性风险界；在 MedQA 上终局一致率仅 0.512 AUROC，过程分数达 0.696，一致层中 13.4% 的一致票是错的，认证规则以 9.0% 实测风险作答该层 55.3% 的问题。

该工作提出 ProbeGuard，一个基于多轮共识形成过程而非终局一致率的认证弃答框架：它从系统执行日志提取轨迹特征，对首轮一致票用理由语义熵与主动反证探针检验共识是否由知识支撑，再用分层 Learn-then-Test 校准给出无分布假设的选择性风险界；在 MedQA 上终局一致率仅 0.512 AUROC，过程分数达 0.696，一致层中 13.4% 的一致票是错的，认证规则以 9.0% 实测风险作答该层 55.3% 的问题。

该工作把语义熵用作小模型到大模型升级路由的信号，在三个基准和两个模型家族上测试，发现GSM8K上语义熵能可靠区分小模型错误（AUROC 0.871）并在等成本下比随机升级最多提升九个百分点，而合成算术上看似同样强的结果被一个仅凭题面难度、不含任何模型的正则规则几乎完全匹配；论文据此提出一套检查清单，包括难度基线、三种升级目标、oracle余量预检、逐次生成成本核算，以及一个可在实验前预测检索式捷径是否失效的难度探针，并提前预测了AUROC从0.908跌至0.518。

该工作把语义熵用作小模型到大模型升级路由的信号，在三个基准和两个模型家族上测试，发现GSM8K上语义熵能可靠区分小模型错误（AUROC 0.871）并在等成本下比随机升级最多提升九个百分点，而合成算术上看似同样强的结果被一个仅凭题面难度、不含任何模型的正则规则几乎完全匹配；论文据此提出一套检查清单，包括难度基线、三种升级目标、oracle余量预检、逐次生成成本核算，以及一个可在实验前预测检索式捷径是否失效的难度探针，并提前预测了AUROC从0.908跌至0.518。