ambiguity

本文探讨校准模糊性作为人类交流与多模态语言模型中的生成资源，通过Dixit游戏展示AI表现出模糊性崩溃且缺乏文化引用，与人类形成对比。

本文评估了小语言模型的自动化安全基准，发现判断中的高度模糊性损害了可靠性，并揭示了能力-安全性混淆。

本文发现语言模型中存在歧义诅咒：下一个词分布越模糊，学习难度越大，这源于架构和学习方面的原因，并通过合成数据和真实数据进行了验证。

该文章强调，大语言模型在处理模糊判断任务方面表现卓越，但在执行一致性计算时表现平平，因此主张在多智能体系统中实现任务专门化。

一篇博客文章探讨了 C89 标准中关于隐式函数声明的歧义，GCC 和 Clang 对此解释不一，导致某些代码产生不同的编译结果。

本文介绍了CAPA，一个用于编程助手中跨会话个性化歧义适应的基准测试，刻画了六种歧义机制，并在600个编码会话中评估了12个LLM，包括有无用户历史的情况。

这篇博文探讨了C23中涉及`auto`作为类型推断说明符或存储类说明符的解析歧义，展示了当`x`是typedef时，GCC和Clang在解析如`auto x = 67;`这样的声明上的分歧，以及属性如何使情况复杂化。

关于“AI代理”不同定义的讨论，以及每个人在使用该术语时是否意指相同的事物。

讨论那些人们认为AI代理已经准备好、但实际上并未准备好的任务，重点突出了解读模棱两可的人类输入（例如恼怒但未明确说明的消息）的挑战。

一位开发者描述了构建多代理AI助手的挑战：这些助手无法优雅地处理意外情况，依赖显式规则导致打地鼠式问题，而非实现关于模糊性的自主推理。

介绍了PRIG，一种梯度归因方法，通过训练线性探针区分清晰提示和模糊提示，并将探针得分归因于残差流中的标记表示，从而定位大型语言模型中的提示模糊性，在合成和人工编写的基准测试上取得了强劲性能。