已验证65% 置信事实精确时间
传统分类模型可通过温度缩放（Temperature Scaling）等后处理方法改善校准
3
来源数
65%
置信度
长期有效
时效性
2026/7/8
首次发现
来源
元认知反馈：用强化学习让大模型准确表达不确定性
hackernewshackernews2026/7/7
相关事实
待验证传统控制模型多样性的方法是通过调整温度、Top-p等采样参数80% 相似待验证常见的后校准技术包括温度缩放（Temperature Scaling）、Platt Scaling 和等渗回归（Isotonic Regression），通过在独立验证集上拟合修正函数将原始输出重新映射为更可靠的概率估计而无需重新训练模型78% 相似待验证决策模型产品需要额外做校准处理，例如温度缩放、Platt scaling或基于验证集的等渗回归，并在标签体系变化时重新校准。77% 相似待验证原位FACE实验提供的实测数据可用于校正和约束气候模型参数，收窄模型间预测差距73% 相似待验证Temperature Scaling、Platt Scaling等后处理方法可在不改变模型预测排序的前提下重新调整输出概率分布73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/261062API
curl https://kongchang.com/api/v1/knowledge/claims/261062MCP
get_claim(id=261062)