面向自适应测试时推理的不确定性感知预算分配

多次采样可提升语言模型推理能力，但均匀计算分配效率低下：简单问题过采样而难题探索不足。本文提出不确定性感知预算分配（UAB），一种凹整数优化框架，利用无额外推理成本估算的每问不确定性重新分配固定采样预算。第一阶段每问生成一次，以平均负对数似然为难度信号；第二阶段通过边际贪婪算法精确求解凹覆盖最大化代理问题，向不确定问题倾斜预算。在六个模型及五个推理基准上的实验表明，UAB 显著优于基线，尤其在低资源场景下表现突出。