[LG]《Conformal Language Modeling via Posterior Sampling》N Emmenegger, T X. Olausson, A Solar-Lezama, C Podimata [MIT] (2026)
在LLM事实生成中，控制幻觉常以事后删改完成。过去方法受困于补丁式过滤，本质原因是把生成与校准割裂开来。
本文的核心洞见是：把安全生成重新看作后验采样。由此，用校准阈值重塑采样分布，而不是删掉低置信声明。
这项工作真正留下的遗产是：风险控制进入生成过程内部。它打开的新门是更连贯的可靠输出，但门槛是采样近似与打分器质量仍限制实用边界。
arxiv.org/abs/2606.03731 机器学习 人工智能 论文 AI创造营
