**UnpredictaBench: 评估大语言模型分布随机性的基准测试**

_UnpredictaBench: A Benchmark for Evaluating Distributional Randomness in LLMs_

> UnpredictaBench 是一个测试大语言模型（LLM）捕捉真实分布能力的新基准。随着 LLM 被用于替代其他实体（如经济模拟中的人类），模型输出倾向于单一合理答案，无法反映真实系统的不确定性。该基准包含 448 个问题，从统计分布、随机程序到自然语言场景，并通过基于 KS 检验的 KS@N 指标量化模型输出与目标分布的接近程度。开放与闭源模型测试显示，在 KS@100 标准下，得分从接近 0 到超过 20%，无一超过 40%，表明分布采样仍具挑战性。推理增强仅略微提升分数，未见根本解决方案。该基准是迈向 LLM 用于复杂系统模拟的必要一步。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-08 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.06622)