待验证50% 置信事实精确时间
研究采用不确定性感知的主动学习，结合基于规则和检索增强的LLM预言机，在三种查询策略下进行筛选。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/4
首次发现
有效期至：2027/2/2
来源
涉及实体
相关事实
待验证改善模型校准的研究方向包括通过监督微调引入不确定性标记、使用温度采样对概率分布进行后校准，以及训练模型主动输出拒绝回答的能力76% 相似待验证该研究将LLM后编辑从推理时的提示工程问题转化为监督学习问题，用oracle信息指导模型学习何时选择、何时重写。73% 相似待验证策略导向的自适应实验设计将实验的信息价值与下游控制决策的改善程度直接挂钩，优先采集最能降低控制策略不确定性的数据72% 相似待验证一项研究系统评估了7个前沿LLM在上下文学习中预测分子性质的能力，并特别关注模型自报的不确定性是否与预测错误相关。72% 相似待验证机器学习工程尤其是传统统计方法方向强调不确定性下的建模能力，要求理解数据分布、偏差与方差权衡、特征工程和模型评估72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134115API
curl https://kongchang.com/api/v1/knowledge/claims/1134115MCP
get_claim(id=1134115)