№校准·general
校准
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-07-21
- 累计提及
- 10
§ 01综述
校准是机器学习中衡量模型预测置信度与真实准确性一致性的概念，在大语言模型（LLM）快速发展的背景下，其重要性愈发凸显。近期多项研究聚焦于LLM的校准问题，涉及不确定性估计、多模型协作及社会科学应用等方向。
校准近期进展
贝叶斯稀疏低秩适应方法：DALorRA 通过贝叶斯框架实现对LLM的高效不确定性估计，在保持性能的同时提升校准质量。 原文标题
智能体反馈循环中的偏好耦合：研究表明，概率校准可能缓解LLM智能体在反馈循环中产生的偏好偏差，从而改善任务表现。 原文标题
模型级联自动相关性标注：AutoRelAnnotator 利用校准信号构建低成本高精度的标注流程，通过级联模型实现标注质量与效率的平衡。 原文标题
LLM社会科学测量偏差：对GPT-5-mini等模型的评测发现，其置信度偏差严重，尤其在不确定性大的场景下，这为社会科学测量中的校准提出了新挑战。 原文标题
当前焦点与观察点
目前，LLM校准的焦点集中在如何应对分布偏移下的校准退化，混合专家模型的校准难度，以及不确定性估计方法（如Dropout变体）的有效性。此外，校准与人机协作中的信任建立密切相关，过度自信的模型可能导致错误决策。未来需要开发更鲁棒的校准技术，确保模型在安全关键应用中的可靠性。