arXiv cs.AI· Tingxin Yang, Zefeng Wang, Mengyue Wang, Jinhe Bi, Xingcheng Zhou, Volker Tresp, Yunpu Ma·· 12 小时前AI 评分31
DeepLook：用不确定性引导分支与前瞻置信度实现高效推理
DeepLook: Uncertainty-Guided Branching with Lookahead Confidence for Efficient Reasoning
AI 导读
DeepLook 是一个免训练解码框架，通过监控片段级置信度、仅在不确定性瓶颈处分支，并用 Average Lookahead Confidence（ALC）对候选续写排序后再投票。
正文 · AI 翻译
摘要：测试时扩展提升了大语言模型的推理能力，但沿推理轨迹均匀分配计算量，即使在已经稳定的区段也是如此。受推理失败会表现出不确定性早期出现的观察启发，我们提出 DeepLook，一种免训练的解码框架，它监控片段级置信度，仅在不确定性瓶颈处分支，并按平均前瞻置信度（ALC）——即固定视野 rollout 上的平均置信度——对候选续写排序，然后完成并在剪枝后的子集上投票。在四个开放模型、四个竞赛数学基准上，DeepLook 在 16 个设置中的 12 个达到或超过 DeepConf-low 的准确率，同时生成的 token 减少 87.3%，表明模型自身的置信度足以判断在何处值得投入额外解码计算。在知识密集型 GPQA-Diamond 上，准确率优势消失，但 token 节省依然存在：连贯的幻觉同样获得高 ALC，因此内部置信度定位的是不稳定性，而非虚假性。代码见 this https URL。
| 注释： | EMNLP 2026 Workshop UncertaiNLP |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2607.22602 [cs.AI] |
| （或 arXiv:2607.22602v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2607.22602 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zefeng Wang [查看邮箱]
[v1]
2026年6月12日星期五 16:51:29 UTC（451 KB）
[v2]
2026年10月21日星期三 06:46:53 UTC（461 KB）
来源：arXiv cs.AI · arxiv.org