/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
7 июл 2026

SpanUQ

Классификация текстаТекст → label

SpanUQ — пробник для поиска фрагментов с сомнительными утверждениями и оценки их неопределённости по скрытым состояниям LLM.

0скачиваний за 30 дней0лайковвеса обновлены25 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SpanUQ — лёгкий пробник на основе архитектуры DETR для оценки неопределённости отдельных фрагментов текста, разработанный авторами проекта SpanUQ. Он подключается к замороженной LLM и использует её промежуточные скрытые состояния за один прямой проход, чтобы находить фрагменты с проверяемыми утверждениями и оценивать калиброванную неопределённость с помощью смеси бета-распределений. В карточке представлены контрольные точки для Qwen3-4B, Qwen3-8B и Qwen3-14B; размер пробника составляет примерно 25–35 млн параметров. Модель обучена на SpanUQ-Benchmark: около 293 тысяч размеченных фрагментов в 20 тысячах запросов с непрерывными мягкими метками неопределённости.

SpanUQ предназначена для анализа ответов LLM: например, чтобы выделять сомнительные утверждения и оценивать уверенность по фрагментам, а не только для всего ответа. Для работы ей нужны скрытые состояния совместимой базовой LLM. В метаданных указаны PyTorch, английский язык карточки и лицензия Apache-2.0. Карточка приводит метрики AUROC, MAE и корреляции на бенчмарке, но не уточняет ограничения применимости к другим базовым моделям и данным.

Сценарии применения

  • выделение неопределённых утверждений в ответе языковой модели
  • оценка уверенности LLM на уровне отдельных фрагментов текста
  • ранжирование фрагментов ответа по степени неопределённости
  • анализ надёжности сгенерированных ответов перед проверкой человеком

Ограничения

Для работы пробнику необходимы промежуточные скрытые состояния совместимой базовой LLM. Карточка не описывает переносимость на другие модели и домены; приведённые метрики относятся к указанным бенчмарку и контрольным точкам.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[NeurIPS 2026] SpanUQ: Span-Level Uncertainty Quantification for LLM Generation

Pre-trained SpanUQ Checkpoints

SpanUQ is a lightweight (25–35M parameter) DETR-style probe that estimates uncertainty at the span level from LLM hidden states in a single forward pass.

Model Description

SpanUQ attaches to a frozen LLM backbone and reads intermediate hidden states to:

  1. Detect uncertain spans (contiguous text segments expressing a single verifiable assertion)
  2. Estimate calibrated uncertainty scores via Mixture of Beta (MoB) distributions

The probe is trained with Hungarian matching, UCIR (Uncertainty-Calibrated Importance Reweighting), and a two-phase schedule (span detection warmup → joint training).

Available Checkpoints

BackboneParamsAUROC ↑MAE ↓ρ_span ↑ρ_seq ↑Size
Qwen3-14B29.1M0.9390.1060.7900.839111M
Qwen3-8B28.6M0.9300.1100.7710.822109M
Qwen3-4B25.6M0.9440.1120.7910.82698M
Qwen3-30B-A3B33.9M0.9360.1140.7740.815129M
Mistral-7B34.9M0.9080.1290.7170.773133M

Usage

Installation

git clone https://github.com/DamonDemon/SpanUQ.git
cd SpanUQ
pip install -e .

Loading a Checkpoint

import torch
import json
from spanuq.model import SpanUQ
from spanuq.config import SpanUQConfig

# Load model config
with open("checkpoints/Qwen3-14B/model_config.json") as f:
    config_dict = json.load(f)

config = SpanUQConfig(**config_dict)
model = SpanUQ(config)

# Load weights
state_dict = torch.load("checkpoints/Qwen3-14B/best_model.pt", map_location="cpu")
model.load_state_dict(state_dict)
model.eval()

Inference Pipeline

# 1. Generate response with target LLM
# 2. Extract hidden states from specified layers
# 3. Run SpanUQ probe

# Example: given hidden states tensor [1, seq_len, d_model]
with torch.no_grad():
    outputs = model(hidden_states, attention_mask)
    # outputs.span_scores: [n_detected_spans] uncertainty in [0, 1]
    # outputs.span_boundaries: [n_detected_spans, 2] start/end positions

Temperature Calibration (Optional)

For models with temperature.json, apply post-hoc calibration:

with open("checkpoints/Qwen3-14B/temperature.json") as f:
    T = json.load(f)["T"]

# Apply: calibrated_logit = raw_logit / T

File Structure

Each model directory contains:

checkpoints/
├── Qwen3-14B/
│   ├── best_model.pt          # Model weights
│   ├── model_config.json      # Architecture parameters (required for loading)
│   ├── training_config.json   # Training hyperparameters (for reproducibility)
│   └── temperature.json       # Calibration temperature T
├── Qwen3-8B/
│   └── ...
├── Qwen3-4B/
│   └── ...
├── Qwen3-30B-A3B/
│   └── ...
└── Mistral-7B/
    ├── best_model.pt
    ├── model_config.json
    └── training_config.json   # (no temperature.json)

Architecture Details

ComponentDescription
Input projectionMulti-layer hidden states → d_proj=512
Encoder2-layer Transformer encoder
Decoder3-layer DETR decoder with n_queries learnable queries
Span headRegression head predicting (center, width)
ScorerMoB (K=3) Beta distribution head
EnrichmentGated span-token attention
Seq aggregationImportance-weighted span → sequence uncertainty

Training Data

Trained on SpanUQ-Benchmark — ~293K annotated spans across 20K prompts with continuous soft uncertainty labels derived from 20× sampling + cross-sample verification.

Citation

@article{zhang2026spanuq,
  title={SpanUQ: Span-Level Uncertainty Quantification for Large Language Model Generation},
  author={Zhang, Yimeng and Zhuang, Yingying and Wang, Ziyi and Lu, Yuxuan and Chen, Pei and Gupta, Aman and Su, Zhe and Tan, Ming and Zhang, Zhilin and Liu, Qun and others},
  journal={arXiv preprint arXiv:2607.05721},
  year={2026}
}

Related Resources

License

Apache License 2.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
97ca9c8

0 моделей