清华大学与南洋理工大学合作推出AudioTrust，建立了针对音频大语言模型（ALLMs）的六维可信度评估框架，涵盖公平性、幻觉、安全性、隐私、鲁棒性和身份验证。该框架通过真实场景数据和自动化评估，揭示了模型在高风险任务中的潜在风险与局限性，为音频模型的可信性研究奠定基础。

本研究探讨了大型语言模型（LLM）自信度的校准问题，提出多种方法改善模型对输出可信度的评估。研究表明，用户对模型可信度的感知受解释方式影响，透明的可信度传达在高风险应用中尤为重要。引入新的评估框架和学习方法后，模型的过度自信得以降低，输出的可靠性和准确性得到提升。

本研究探讨了大型语言模型（LLM）的可信度评估，包括可靠性、安全性和公平性等关键维度。测试结果显示，更符合人类意图的模型在可信度上表现更佳。研究提出了TrustScore框架，用于评估模型响应与知识的一致性，并探讨了检索增强生成（RAG）系统的潜力，强调提高LLM在实际应用中的可信性的重要性。

在 COVID-19 疫情期间，研究提出了一种结合社交媒体文本和网络信息特征的多输入框架，以提高虚假新闻检测的准确性。通过图分类任务和可信度评估，构建了高效的检测模型，显著提升了社交媒体内容的质量和可信度。

本文探讨了假新闻检测的最新研究进展，提出了一种基于双通道核心图网络的模型，能够有效评估文字主张的可信度，并提供可解释的结果。研究强调了结合事实核查与语言分析的重要性，以应对社交媒体上假新闻的增长和新闻篡改问题。

本研究探讨了对大型语言模型（LLM）可信度评估的关键维度，包括可靠性、安全性、公平性、抵抗滥用性、可解释性和推理性、遵守社会规范以及鲁棒性。结果显示，更符合人类意图的模型表现更好，但对不同可信度类别的影响程度不同，需要进行更加细致的分析、测试和改进。该研究为从业人员提供了有价值的见解和指导，强调了可靠和符合伦理的LLM部署的重要性。

本研究评估大型语言模型（LLM）的可信度，关键维度包括可靠性、安全性、公平性、抵抗滥用性、可解释性和推理性、遵守社会规范以及鲁棒性。结果表明，符合人类意图的模型表现更好，但对不同可信度类别的影响程度不同，需要进行更加细致的分析、测试和改进。该研究为从业人员提供有价值的见解和指导，实现可靠和符合伦理的LLM部署至关重要。