论文用 ProbeDrift 系统评估不确定性探针，发现其远 OOD 鲁棒性不足。
资讯摘要
论文提出 ProbeDrift 评估框架，针对基于大语言模型隐藏状态的监督式不确定性探针，在多种模型、任务和分布偏移下系统测试其 OOD 鲁棒性。作者训练超过 2000 个探针，发现现有方法在近 OOD 之外鲁棒性较差，且特征类型、聚合策略和训练信号等设计选择在分布内几乎不可见却决定鲁棒性。作者据此提出 Hybrid Back-Off（HBO）策略，并将 ProbeDrift 以轻量 Python 库形式发布。
要点速读
- 论文提出 ProbeDrift 框架，覆盖多模型、多任务和多种分布偏移的 OOD 设置。
- 作者训练超过 2000 个探针，报告现有方法在近 OOD 之外鲁棒性不足。
- 特征类型、聚合策略和训练信号等设计选择在分布内影响不明显，却驱动鲁棒性差异。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。