Calibration(校准)是人工智能领域中确保模型输出置信度与实际准确性一致的关键技术，尤其在大型语言模型(LLM)中扮演着至关重要的角色。随着AI模型规模的不断扩大和应用的深入，校准技术已成为提升模型可靠性和决策质量的核心研究方向。
Calibration 近期进展
2023年9月17日发布的arXiv论文提出了一种创新算法，有效解决了大模型蒸馏过程中教师模型带来的偏见问题，为模型知识传递提供了更准确的校准方法。
2023年8月22日，DeepSeek团队在arXiv上发布的论文聚焦于声明级别的置信度校准，旨在提升大语言模型决策可靠性，通过精细化的校准技术使模型输出更加可信。
2023年5月28日发表的研究提出了MARI(能量校准的多适配器表示干预)方法，通过创新的校准技术显著提升了大语言模型的对齐性能，为模型与人类价值观一致提供了新思路。
当前焦点与观察点
当前Calibration研究呈现出多维度发展趋势，从模型输出置信度校准到知识传递偏见校准，再到模型对齐校准，技术路径日益多元化。值得注意的是，校准技术正从单一模型内部校准向跨模型、跨任务校准扩展，为构建更加可靠的AI系统提供支撑。未来，随着大语言模型在关键领域的应用深化，校准技术的精度和效率将成为评估模型性能的重要指标。