摘要
大型推理模型（LRMs）在复杂推理任务中表现显著提升，但传统方法难以提供有限样本保证。本文提出一种新方法，在统计保证下量化推理 - 答案结构的不确定性。此外，开发了基于 Shapley 值的统一解释框架，识别关键训练示例及推理步骤以维持保证。理论分析与实验验证了该方法在挑战性推理数据集上的有效性，解决了推理质量与答案正确性解耦的难题。
AI 推荐理由
论文核心研究大型推理模型的不确定性量化与推理轨迹解释，直接针对推理能力。
研究机构
爱荷华州立大学计算机科学系
论文信息