Qwen2.5 三种置信度信号的审计比较

2026年10月20日，arXiv 人工智能板块发布 Debojeet Ghosh 等作者的预注册审计研究，比较 Qwen2.5 五个模型（0.5B–7B，含 7B 的 base/instruct 配对）在事实检索任务（PopQA、SimpleQA）与多步推理任务（GSM8K、MATH）上的三种置信度信号。报道称，基于 prefill 状态的探针在检索任务中约 7% 层深即具信息量，在推理任务中约 28%。该报道未给出三种信号在准确率等指标上的具体对比结果，也未说明各信号在不同任务与模型规模下的优劣排序。目前进展限于这一篇报道，尚无后续跟进或独立复现。事件核心是：在统一预注册框架下，对同一模型家族的多种置信度信号做测量效度与表征动态审计，并给出探针信息量随层深变化的初步观察。

AI 根据报道生成 · 37 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。