Technion 提出稳定性感知泛化目标 SAGO

2026年10月2日，AGI Hunt 报道，Technion 团队提出对大语言模型泛化的新界定：泛化应视为同一输入在不同表述下输出的一致性与语义稳定性，而非单一格式上的聚合准确率。为此，团队提出稳定性感知泛化目标 SAGO，在样本级、多输入变体以及生成一致性、内部激活、置信度、响应镜像等行为维度上度量模型的变化。研究结果显示，常用模型普遍存在统计显著的泛化不稳定；各行为轴捕捉到的失败模式相互独立；跨数据集的方差甚至足以逆转模型的排名。报道称，该工作把泛化评估的焦点从准确率转向稳定性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。