本研究提出了一种新的信心校准框架，解决视觉语言模型（VLMs）口头信心与响应正确性之间的校准问题。通过引入带有高斯噪声的扰动数据集，显著提高了模型的校准能力，增强了用户对模型输出的信任度。

本研究探讨了具身智能体在动态多模态环境中表达信心的方式，提出了信心引导和执行策略，以提升信心校准能力。尽管结构化推理有助于改善校准，但在归纳推理下仍面临不确定性挑战，需要更复杂的引导方法。

本研究提出了一种事实级校准框架，旨在解决大型语言模型在复杂问题回答中的信心校准不足问题。通过相关性加权提高输出准确性，并开发了ConFix方法，实验证明有效减少模型幻觉。

本研究提出动态异常正则化（DOR）方法，解决视觉语言模型微调后信心校准不足的问题。DOR通过减少新文本标签的特征偏差，提升基类和新类的信心校准。实验结果表明，DOR显著提高了微调方法的校准性能。