Beyond Single-Turn Confidence

研究把 action-token 概率、轨迹重采样一致性和模型自评三类单轮 UQ 迁移到含工具调用和状态变化的完整轨迹。五个模型、四个 BFCL-v4/tau2-bench 数据集显示，reflexive score 多数设置下是最强的低成本基线，black-box consistency 常为最强家族，其中 trajectory-equivalence 和 action-set consistency 排名靠前。token 概率则高度依赖跨轮 aggregator，说明单轮校准结果不能直接搬到 agent runtime。