Articles sur Evidence Sufficiency Boundary Training

Cette étude propose un cadre de formation qui permet au modèle d'assurance qualité multi-sauts de s'abstenir activement lorsque les preuves sont insuffisantes, de répondre lorsque les preuves sont suffisantes et d'assurer la stabilité de la réponse grâce à des marges d'inversion des limites. Cela montre que la recherche sur la fiabilité de l'IA passe de « l'amélioration de la précision » au « calibrage des limites de réponse », c'est-à-dire permettre au modèle d'apprendre quand ne pas répondre.