- 论文公开站arXiv
生成评估中FID掩盖的偏差：检测、排序与诊断
What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation
摘要显示，生成模型常用FID和KID评估，但FID仅基于前两阶矩，可能忽略分布差异，且标量差距未校准采样变异。在ImageNet上，仅优化匹配Inception均值和协方差的不可识别图像，其FID为24.7，而保留的真实图像为58.6。FID和KID为对称标量，无法编码离散度变化方向。为此，引入ZID，结合六个位置和离散敏感指标，输出排序指数、置换p值和符号离散读数，以检测偏差并排序严重性。
意义：为生成模型评估提供更全面的诊断工具，帮助开发者识别模型与真实数据的细微偏差，优化模型调优。
- 论文公开站arXiv
短期定价面板中的跨设计不确定性：来自模拟价格轨迹的证据
Across-Design Uncertainty in Short Pricing Panels: Evidence from Simulated Price Trajectories
摘要显示，短期观测定价面板可能包含大量观测值，但只有少数不同的价格变动。研究在稀疏定价机制下，区分了条件于已实现价格轨迹的不确定性与同一定价过程产生的替代轨迹之间的估计误差变异。基线模拟中，后者占梯度提升规范估计误差方差的97.6%。面板内重采样程序仅使用一条已实现轨迹的信息，无法识别这一跨设计成分。
意义：对开发者/AI行业的意义：强调在数据生成过程中创造独立识别变异的重要性，而非仅依赖重采样，对模型评估和不确定性量化有指导意义。
- 论文公开站arXiv
幻影增益：对照实测零基准审计自我改进
Phantom Gains: Auditing Self-Improvement Against a Measured Null
摘要显示，评估语言模型自我改进时，追踪个体问题得失易受测量伪影影响。对Qwen3-8B进行三轮LoRA自训练，与冻结对照比较，发现七种测量失败，每种在无对照时都会反转报告结论。贪心解码产生的记录在未训练模型上制造能力变化，扩展统计量错误归因。提出逐问题精确检验，在FDR控制下未检测到任何保留复制上的效应。外部蒸馏改善基础模型难及问题，而三种自训练未现此效，回归分析拒绝不对称性源于蒸馏总体增益更大（p<10^-8）。
意义：为AI开发者提供评估模型自我改进的严谨审计方法，避免测量伪影导致虚假结论，对模型迭代和对比至关重要。