PulseAugur
中
实时 09:59:20
English(EN) From token probabilities to calibrated confidence: An empirical study of mathematical question answering

大语言模型不确定性量化研究探索校准以获得可靠答案

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇研究论文探讨了提高大语言模型（LLM）生成答案可靠性的方法，特别是在问答任务中。第一篇论文介绍了 A-CRC-QA，这是一个事后校准框架，旨在通过将选择条件误差控制重新表述为线性期望约束来控制被接受答案中的错误率。第二篇论文实证研究了如何从词元概率中推导出数学问答的校准置信度估计，比较了单通道和多通道估计器，并评估了 Platt 缩放和等渗回归等事后校准方法。 AI

影响 提高了 LLM 输出的可靠性，这对于需要高准确性和可信度的应用至关重要。

排序理由 两篇在 arXiv 上发表的学术论文，提出了大语言模型不确定性量化和校准的新方法。

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

大语言模型不确定性量化研究探索校准以获得可靠答案

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Shufan Lin, Sijin Dong ·

    选择性问答的渐近风险校准

    arXiv:2608.12008v1 Announce Type: new Abstract: Large language models (LLMs) may generate fluent but incorrect answers, making uncertainty quantification important for reliable question answering. However, heuristic uncertainty scores cannot perfectly distinguish correct predicti…

  2. arXiv cs.CL TIER_1 English(EN) · Avery Ma, Lorne Schell, Vin Bhaskara, Leila Pishdad ·

    从词元概率到校准置信度：数学问答的实证研究

    arXiv:2608.07827v1 Announce Type: cross Abstract: Confidence estimation for large language models (LLMs) aims to estimate the probability that a generated answer is correct, while calibration aligns these estimates with empirical accuracy. Prior work has shown that token probabil…

相关实体

相关话题