标签
Emo-Jev 是一个免训练框架，利用 Jev 的概率决策接口进行文本分类，将任务分解为原子判断或聚合多条判断路径以提升分类效果，超越直接预测方式，并在八个情感、情绪、讽刺和幽默数据集上与五个最先进的 LLM 进行了对比评估。
一篇议论文，认为典型的基于 LLM 的智能体流水线（LLM → 工具 → 动作）缺乏适当的不确定性处理，并提出一种带有贝叶斯更新和信息价值策略的信念状态架构。LLM 应充当调查员/翻译者，而系统负责执行权限和校准信念。
介绍 ForecastBench-Sim，这是一个基于 Freeciv 游戏回放构建的模拟世界预测基准，旨在为评估 AI 系统的概率推理提供可控且可立即解析的任务。
本论文提出了一个模块化框架，用于知识图谱中的可扩展不确定性推理，通过定制的代数、逻辑和几何技术，处理不精确的属性值、概率性三元组存在以及不完整的模式知识。
本文介绍了 BeliefMem，一种专为大语言模型（LLM）智能体设计的新型记忆范式。该范式通过存储带有概率的多个候选结论来处理部分可观测性问题，并减少自我强化错误。在 LoCoMo 和 ALFWorld 基准测试中的实证评估显示，该方法优于确定性基线模型。
正如Zoubin Ghahramani关于智能系统中不确定性数学所讨论的，AI系统必须整合概率推理以处理不确定性，从而实现鲁棒且可信赖的决策。