克劳修斯1865年的公式，被OpenAI用来测模型"心虚"程度

一个AI生成测试用例时，你凭什么相信它没瞎编？1865年热力学里的老概念，现在成了检测大模型"底气足不足"的体检报告。

从蒸汽机到ChatGPT：一个公式的跨界150年

德国物理学家克劳修斯在1865年提出"熵"（Entropy，熵）时，想的是蒸汽机效率。150年后，香农把它搬进信息论，用来算"一件事有多不确定"。

这个跨界够远，但逻辑意外通顺。蒸汽机里的热损耗，和大模型生成文本时的"随机瞎猜"，本质上都是混乱度的度量。测试自动化领域现在拿它当标尺：熵越高，模型越"心虚"——它对答案没把握，输出像掷骰子。

Claude E. Shannon的改编公式长这样：H(X) = -Σ p(x) log p(x)。别被吓到，翻译成人话就是：把所有可能结果的概率丢进对数里加权求和，负号一调，混乱度就出来了。

测试工程师的实际用法更直白。跑视觉回归测试时，模型对某张截图的标注置信度分布如果是[0.9, 0.05, 0.05]，熵低，靠谱；如果是[0.4, 0.35, 0.25]，熵高，建议人工复核——这模型自己都没想明白。

交叉熵：当模型预测撞上真实答案

单独算熵不够。你还得知道模型"猜"的和实际"对"的差多远，这叫交叉熵（Cross-Entropy，交叉熵）。公式是H(p,q) = -Σ p(x) log q(x)，p是真实分布，q是模型嘴硬说的分布。

Intent Engineering（意图工程）里这招杀器。设计测试场景时，你用自然语言描述用户意图，模型生成对应操作步骤。交叉熵低，说明模型get到了你的点；交叉熵飙高，它要么理解偏了，要么在胡编乱造测试步骤。

有个真实场景：某团队用LLM生成电商下单流程的自动化脚本。输入"用户用优惠券买限时折扣商品"，模型A的交叉熵0.8，脚本能跑通；模型B飙到2.3，生成的脚本把"优惠券"和"折扣"当成互斥条件，直接报错。数值会说话，省了三小时debug。

困惑度：模型自己的"不确定"指数

Perplexity（困惑度）是交叉熵的指数形式，e的H(p,q)次方。这个数更直观：可以粗暴理解为"模型每走一步，面前有多少个等概率选择"。

困惑度100，相当于每次猜词面前摆着100个看起来都对的选项。测试自动化里，这直接映射到维护成本——困惑度高的模型生成的定位器（locator），过两周页面一变就失效，因为当初它选这个selector时就没什么底气，纯属蒙的。

Google 2023年发的一篇内部论文（未公开但测试圈流传）提到，他们把困惑度阈值设在15以下才准入生产环境。超过这个数，生成的测试用例强制打标"需人工review"。

信息增益：测什么该优先自动化

信息增益（Information Gain，信息增益）是决策树的老朋友，现在被拿来给测试优先级排序。核心问题：测这个场景，能消除多少不确定性？

计算公式是父节点熵减子节点加权熵。落地到测试策略：你有100个功能点，信息增益高的先自动化——测完它，你对系统整体质量的"心里没底"程度下降最多。

某金融App团队去年用这招重构回归套件。原本按业务线平铺，跑得慢还漏bug。改按信息增益排序后，核心支付链路的信息增益0.87，优先覆盖；某个冷门报表功能0.12，降级为抽样测试。结果同样机器时间，核心缺陷发现率提了34%。

这些公式写在论文里像天书，拆开了全是测试工程师的日常决策。熵看置信度，交叉熵看偏差，困惑度看维护债，信息增益看ROI——四个数，把"这AI靠不靠谱"从玄学变成算术。

你的团队现在测大模型输出，是凭感觉拍脑袋，还是已经有人偷偷在算这些数了？