在 AI 领域，Confidence（置信度）指模型对自身输出的确定性程度的量化指标，通常以概率或分数形式呈现，用于判断一个预测、抽取结果或推理结论有多可靠。随着大语言模型被用于决策、信息抽取和检索等高风险场景，置信度估计与校准（calibration）正在从学术课题变成工程上的刚需。当前的共识是：模型'说得多肯定'与'实际上对不对'往往并不一致，如何让置信度分数真实反映正确概率，是这个方向的核心问题。
LLM Confidence 近期进展
当前焦点与观察点
近期的 Confidence 研究和应用呈现两条主线。其一是校准问题：多篇工作（包括上述 DeepSeek 与 arXiv cs.LG 的论文）表明，自回归模型的置信信号在不同粒度上不一致，逐 token、逐 claim、逐答案的置信度需要分别处理，笼统的整体评分难以满足下游决策需求。其二是置信度作为工程信号被产品化：LlamaParse 的逐字段评分和 Unsloth 对本地部署决策模型 Laya 的支持（最低 4GB 内存即可运行）说明置信度已进入实际工具链，被用于文档抽取、本地推理等场景。
另一个值得关注的观察点是版本号不等于事实：警惕信息泡沫的自我繁殖所揭示的现象：模型输出若缺乏可靠的置信度标注，错误信息可能在传播链中被反复放大。因此，除了提升模型本身的能力，置信度估计的透明度和可解释性正在成为 AI 可信度讨论中的独立议题。后续值得跟踪的方向包括：置信度校准在高风险领域（医疗、金融、检索增强问答）的落地效果，以及开源社区能否为本地小模型提供与闭源产品同水平的置信度评估能力。