目录

• • 关于大语言模型（LLM）置信度研究的经典与前沿论文 ：温度缩放；语义熵；自一致性;事实与反思;检索增强;黑盒引导;
  • • 一、校准方法：让模型概率更贴近真实正确性
    • • 1. **温度缩放（Temperature Scaling）**
      • 2. **多校准（Multicalibration）**
    • 二、不确定性估计：量化模型“不知道”的能力
    • • 1. **语义熵（Semantic Entropy）**
      • 2. **图不确定性（Graph Uncertainty）**
    • 三、推理优化：通过过程增强置信度
    • • 1. **自一致性（Self-Consistency）**
      • 2. **事实与反思（Fact-and-Reflection, FaR）**
    • 四、检索增强：引入外部知识校准
    • • 1. **检索增强生成（RAG）与置信度对齐**
    • 五、黑盒引导：无需模型内部信息的置信度估计
    • • 1. **引导置信度（SteerConf）**
    • 六、后验校准：基于反馈修正置信度
    • • 1. **证据深度学习（EDL）与信息瓶颈**
    • 总结：置信度研究的三大趋势