RLEC

RLEC 方法首次实现了用单一模型响应显式置信度目标。

论文将此前方法无法区分不同置信度目标的原因归结为两个问题：区分不同 p 值的奖励信号在优化过程中常常被丢失，以及原始错误惩罚在 p 趋近于 1 时会无界增长。

RLEC 提出了三项关键设计：保留区分置信度目标所需的学习信号、引入稳定的奖励族、奖励调度。

研究在多种基准和不同模型规模上进行了实验，结果显示 RLEC 在很大程度上保留了模型的通用能力，同时取得有竞争力的校准性能。

RLEC 训练后的模型可以在训练后直接响应不同置信度要求，无需外部决策系统，也无需事后阈值校准。