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% 相似待验证对模型能力评估必须固定推理参数（temperature、top-p等），否则同一模型在不同参数配置下可能呈现判若云泥的表现69% 相似已验证大语言模型在生成每个token时从概率分布中采样，temperature参数控制随机性的强弱，temperature越高输出越多样，越低则越确定68% 相似待验证常用的校准方法包括Platt Scaling（使用逻辑回归拟合sigmoid函数）和Isotonic Regression（使用保序回归拟合非参数单调映射）67% 相似待验证提示工程、温度参数调节与输出约束机制是应对模型表达失控问题最常用的实用手段66% 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)