# 贝叶斯滤波

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。

该工作提出“无限参数 LLM”架构：用一个紧凑超网络把运行时提供的数据（事实、指令、示例）编码为低维隐码，再由该隐码生成对共享基础前馈网络的低秩加性调制，从而在不存储专家库的前提下按 token 生成“专家”，并进一步对隐码维持一个贝叶斯信念、随会话在线更新，使有效权重在会话中持续演化；作者同时给出评估协议，把“把知识放进权重”与“把知识放进提示”在同等预算下直接对比。

该工作提出“无限参数 LLM”架构：用一个紧凑超网络把运行时提供的数据（事实、指令、示例）编码为低维隐码，再由该隐码生成对共享基础前馈网络的低秩加性调制，从而在不存储专家库的前提下按 token 生成“专家”，并进一步对隐码维持一个贝叶斯信念、随会话在线更新，使有效权重在会话中持续演化；作者同时给出评估协议，把“把知识放进权重”与“把知识放进提示”在同等预算下直接对比。