新的RLEC方法训练LLM以实现明确的置信度目标

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

研究人员开发了RLEC，一种新颖的强化学习方法，旨在训练大型语言模型（LLM）以遵循明确的置信度目标。与以往难以区分置信度水平的方法不同，RLEC成功地使单个LLM能够根据用户指定的置信度要求来控制其响应行为。这是通过保留学习信号、引入稳定的奖励族和采用奖励调度来实现训练稳定性的。实验表明，RLEC在保持LLM通用能力的同时，提供了具有竞争力的校准性能和细粒度控制，无需进行训练后调整。 AI

影响使LLM在置信度低时能够可靠地不作答，从而提高用户信任度和模型可靠性。

排序理由该条目是一篇研究论文，详细介绍了一种训练LLM的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 8 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇研究论文，详细介绍了一种训练LLM的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Zefeng He, Yichen He, Yuan Lin, Yang Yang, Yu Cheng · 2026-10-27 04:00

强化学习的正确实现：针对明确的置信度目标

arXiv:2610.35059v1 Announce Type: cross Abstract: Large language models (LLMs) can produce plausible but incorrect answers when they are uncertain, which can mislead users and undermine model reliability. Training models to abstain with reinforcement learning is a natural approac…

本文如何被排名

报道来源 [1]

强化学习的正确实现：针对明确的置信度目标

相关实体

相关话题