随着大语言模型（LLM）在实际场景中的广泛应用，评估其回答的正确性变得尤为关键。然而，参考答案往往缺失，使得传统参考式评估难以实施。现有的无参考评估大多依赖输出信号，如概率或置信度，这类信号在错误答案上也可能给出高分，难以可靠反映正确性。\n\n为此我们提出 Circe，一种无需额外训练、无需参考答案、亦不依赖重复采样的自评框架。它结合内部计算信号与外部生成信号，对每个回答给出统一的正确性得分。\n\n内部信号包括两部分：\n1. 组件交互一致性 (CIC)：衡量前层注意力更新方向与后层注意力驱动的前馈网络（FFN）输出变化之间的对齐程度，使用向量点积计算方向相似度。\n2. 表示几何 (RG)：在每层隐藏状态轨迹上计算归一化位移和角度变化，以捕捉信息在层间的几何演化。\n\n外部信号将生成的 token 的平均负对数似然转化为有界的 似然置信度 (LC) 分数，范围 $[0,1]$，以避免极端概率的影响。\n\n最后，CIC、RG 与 LC 通过加权线性融合得到整体正确性分数。实验在五种 LLM（包括多语言和多模态模型）以及六个跨领域基准上进行，结果表明 Circe 能显著区分正确与错误回答，优于现有基准，并在开放世界、跨语言等情境下保持鲁棒。\n\n点评：Circe 通过挖掘注意力与前馈网络的交互关系，提供了比单纯输出概率更具解释性的内部信号；结合几何视角进一步捕获层间信息流动，为 LLM 自评提供了新颖且实用的思路。