研究审计Text-to-SQL置信度评分
热点事件持续更新
研究审计Text-to-SQL置信度评分
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
一项研究审计了生产级 Text-to-SQL 系统的置信度评分设计。在 BIRD dev 的 1,534 道题上，由 GPT-5.1 使用适配基准的生产提示、每题五次采样作答，该分数区分答案对错的能力较弱（AUROC 0.624，95% 置信区间 0.595–0.652），并扣留了 35.7% 的正确答案。 论文称，此处的“正确”指核心答案，标签由模型判定；一项尚未完成的双人盲审将在修订版中报告。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
受控置信度分数能否判断 Text-to-SQL 答案对错？基于 BIRD 的探索性研究与 Spider 上的预注册验证报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.AI受控置信度分数能否判断 Text-to-SQL 答案对错？基于 BIRD 的探索性研究与 Spider 上的预注册验证
一项研究审计了生产级 Text-to-SQL 系统置信度分数的设计，在 BIRD dev 的 1,534 道题上由 GPT-5.1 作答，该分数区分对错能力较弱（AUROC 0.624），并会扣留 35.7% 的正确答案。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。