arXiv cs.AI· Xiaoyang Wang, Tianrui Wang, Christopher C. Yang·· 27 天前AI 评分41
全票皆错：从医疗大语言模型共识形成过程实现认证弃权
Unanimously Wrong: Certified Abstention from How Medical LLM Consensus Forms
AI 导读
研究人员提出医疗大语言模型认证弃权框架 ProbeGuard，通过分析共识形成的动态过程而非最终投票结果，解决多轮共识中全票犯错的问题。该方法结合共识轨迹、理由语义熵与主动反证探测，将区分共识正误的指标从随机水平提升至 0.696 AUROC。在 MedQA 测试中，该规则能在 9.0% 的观察选择性风险下回答 60% 的全票一致问题。
来源：arXiv cs.AI · arxiv.org