[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-art-86750":3},{"itemId":4,"vertical":5,"category":6,"source":7,"score":8,"title":9,"summary":10,"analysis":11,"url":12,"coverUrl":13,"direction":13,"marketSignal":13,"publishedAt":14},"86750","ai","论文研究","Apple Machine Learning Research",68,"LLM 函数调用的不确定性量化","苹果研究提出 LLM 函数调用的不确定性量化方法，以降低错误调用风险。","苹果研究提出 LLM 函数调用的不确定性量化方法，提升工具使用可靠性。\n· LLM 函数调用错误可能导致不可逆后果，如转账或删除数据。\n· 不确定性量化（UQ）方法可评估模型对函数调用正确性的置信度。\n· 在执行前考虑置信度，可避免低置信度操作带来的风险。\n· 该研究为 LLM 安全自主决策提供了理论基础。\n看点：不确定性量化是 LLM 可靠落地的关键，苹果的探索可能推动行业标准。","https:\u002F\u002Fmachinelearning.apple.com\u002Fresearch\u002Funcertainty-quantification-function-calling",null,"2026-07-15 08:00:00"]