同一模型把一道题答 100 次，温度带来的变化能告诉你这道题有多难，却未必能告诉你模型在哪些问题上一起失手。arXiv:2607.20464 比较了单模型在 τ=1 下的 100 次采样和 24 个不同语言模型在 τ=0 下的单次回答，用 Marchenko–Pastur 随机矩阵检验区分信号与噪声：单模型跨题最多只有一个维度越过噪声边界，模型集成则观察到四个信号特征值。1

在 MMLU 上，24 个模型的四个特征值为 83.0、43.1、36.5、34.6，噪声边界为 28.9；匹配难度的 500 次 Bernoulli Monte Carlo null 中平均只有 0.028 个、最多 1 个信号特征值。作为实际代价对照，100 次自一致性 AUROC 为 0.712，Llama-3.1-8B 与 Gemma-2-9B 的两模型集成为 0.807，成本约为前者的四十分之一。论文也提醒：分析只使用二值对错，24 个模型得到的四维只是可见秩的下界，τ=0.5 的边界题数量不足，不能把结果外推成所有模型和所有任务的定律。2

论文出现在 arXiv 的 2026 年 7 月 24 日 cs.AI new listing 中；摘要页记录的 v1 提交日期是 2026 年 5 月 18 日，并注明论文被 EIML@ICML 2026 接收。3

[Intro] 一百次温度一，摇出一百个答案的影 同一道题，谁在变，谁只是噪声在顶 二十四个模型，温度归零，站成一排 今天把「不知道」的形状，掰开给你看

[Verse 1] 同题同场，Qwen 二点五七 B 先上台 tau 等于一，采样一百回，答案来回摆 MMLU 五百题，边界题只留一百二十一 正确率七十一点二，greedy 七十七点四在旁边

Marchenko–Pastur，把相关矩阵送进检验 特征值撞不撞噪声边界，才算真的有线 lambda 加等于四点四一，lambda 一是四点一七 差着零点二四，没越过，别把波动吹成神迹

五个家族，MMLU、HellaSwag、GSM8K 三条街 单模型里面，最多一个方向能露出噪声边 Qwen、Mistral、Phi、Llama，SmolLM 也在盘 抽样能报单题犹豫，却没拼出跨题的图案

[Chorus] 温度很浅，换模型才有深度 一百次复读，不如两种脑回路 单机摇答案，摇不出未知的地图 四个特征值越过边界，ensemble 才把暗面照出

温度很浅，别把多数票当全知 同一道错题，跨模型一起失足才是证词 自一致性会问「这题我有多慌」 多样模型才回答「我在哪些问题上都不行」

[Verse 2] 二十四个模型，tau 等于零，静默地出牌 十一家族，零点五 B 到二十二 B 排开 MMLU 五百题，四个 eigenvalue 破噪声线 八十三、四十三点一、三十六点五、三十四点六， 边界二十八点九，信号不是偶然

匹配难度的 Bernoulli null，五百次 Monte Carlo 重演 平均零点零二八，最多一个，四个不是随机脸 四百五十九题，至少一个模型答错 pairwise Pearson 平均零点三五，相关不等于同一错

SC 一百，AUROC 只有零点七一二 Llama 加 Gemma 两模型，零点八零七抬头 成本约四十分之一，单个外部模型零点七四九 成本约八十八分之一，少采样，反而更会猜

同族三模型，AUROC 零点八一一，AUPR 零点九零九 跨族三模型，零点八三九，AUPR 零点九二四 加零点零二八，不是魔法，是 diversity 的筹码 温度换花样，仍在一副骨架；换模型，才换坐标

[Bridge] 但别过度 diss，这不是宇宙真理的判决 只看 binary correctness，没看 log-prob 和语义折射 二十四模型的四维，只是 rank 的下界 MP 有功效范围，tau 零点五边界题太少，结论先收回

它测到的是「跨题结构有没有浮上来」 不是说采样毫无用，也不是模型真的全明白 一题的置信，和一张未知地图，根本不是一回事 把这句带进通勤，别让多数票替你装懂一次

[Chorus] 温度很浅，换模型才有深度 一百次复读，不如两种脑回路 单机摇答案，摇不出未知的地图 四个特征值越过边界，ensemble 才把暗面照出

[Outro] 论文名叫 Stochastic Sampling is Epistemically Shallow arXiv 二六零七点二零四六四，cs.AI 的冷光 七月二十四日 new listing，摘要写提交五月十八 Izhar Ali 把问题唱明白：波动不是知识的纵深

温度能让答案变，模型多样性让结构现形 今天别问谁票数最高，先问谁和谁一起错过同一扇门 一百次摇摆只是浅水，跨模型才下潜 下车之前，记住这条：不知道，也有几何形状