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 五、黑盒引导：无需模型内部信息的置信度估计 六、后验校准：基于反馈修正置信度 总结：置信度研究的三大趋势
温度缩放（Temperature Scaling） 论文 ：《On Calibration of Modern Neural Networks》（Guo et al., 2017）原理 ：LLM输出的概率分布常因模型过参数化而“过于尖锐”（高概率答案实际正确率低）。温度缩放通过调整Softmax函数的温度参数 T T T
