probability

该论文研究前沿语言模型的概率判断是否满足全概率律（含因果 do-演算的后门调整），发现 GPT-6.1 Sol 和 Claude Opus 5.5 最一致，而推理长度与一致性无关，且一致性残差可在无真值情况下标记不可靠回答。

该论文提出有界续写分析（BCA），通过概率模型检查量化自回归语言模型中隐藏的有害生成概率，以补充传统的攻击成功率（ASR）指标，更好地揭示表面拒绝之下的分布脆弱性。

Nokia Applied Research 开源了 AnyJev 库，可将任意 LLM 转化为 Jev 风格的决策模型，通过旋转预算（rotating budget）和闭式头（closed-form head）拟合实现无微调的概率校准输出，大幅降低 order-flip 率并提升自动决策比例。

本文详解《异星工厂》太空时代扩展包中的品质系统，并介绍一款在线计算器工具，帮助玩家基于概率的品质升级机制优化工厂规划。

Eliezer Yudkowsky批评了“末日概率”概念混淆了P(ruin|ASI)和P(ASI)，主张聚焦于AI风险中特定因果链的讨论，而非广泛、模糊的估计。

在一项实验中，AI 模型 Jev 完成了 100 个电车难题，在第一轮中以 99% 的概率选择牺牲一人来拯救五人。

本文提出了一种基于语言生产认知模型的无数据通用句法结构先验，证明其在138种语言中为已验证的树分配更高的概率，并与特定语言数据相关。

文章介绍了'p(despair)'作为比'p(doom)'更广泛的AI风险衡量标准，强调了像大规模失业和生活水平下降这样的场景，这些场景可能比完全灭绝更可能发生。

本文提出了一个受德雷克方程启发的框架，将人工智能灭绝风险分解为条件概率，从而使得对各种结果的讨论和估算更加精确。

2025年，专家估计到2027年AI有10%的概率解决或在很大程度上协助解决Millennium Prize Problem。

斯坦福教授Chris Piech宣布免费推出'AI概率'课程，采用志愿教学模式，目标师生比例为1:10，并开放学习者和教师申请。

《蒙特卡洛方法探索》是一本实践教材，通过实际问题和编程练习教授蒙特卡洛方法，适合工程、科学和数学专业的学生。

Google DeepMind的研究副总裁讨论了如何将不确定性和概率融入人工智能系统，以实现更安全、更可靠的现实世界决策，涵盖了贝叶斯思维和历史视角。

这是一个使用Python的7天速成课程，专为开发者设计，旨在学习机器学习的核心概率概念，以加深对机器学习的理解。

这篇文章探讨了信息论中压缩与预测的数学等价性，涉及经典理论基础和现代应用，如语言模型。

一篇关于熵真正含义的深刻解释，将常见的“无序”比喻与使用掷骰子类比的概率解释进行对比。

一篇论文介绍了一种基于概率的新型计算机Scrabble引擎，达到了冠军级别的性能。

讨论了在量化分析中使用KL散度的权衡，将其描述为量化分析师面临的哈姆雷特式两难困境。

本文开发了一种量子类比的拉锯战决策模型的扩展，使用qutrit内部状态来建模语境依赖和决策动力学，并论证语境概率是最小决策动力学的资源特征。

论文引入了Telescope Perplexity这一指标，通过测量标记重复概率以零样本方式检测LLM生成的文本，在多个数据集上实现了最先进或具有竞争力的性能。