本研究探讨了从大型语言模型输出中重建提示的方法，特别关注风格转换和改述。通过高质量基准数据集，发现一击和微调策略效果最佳，并指出传统句子相似性度量的不足，推动了输入提示恢复的研究进展。

大型语言模型（LLM）在医疗保健领域的自然语言生成中显示出潜力，但需要可靠的不确定性估计（UE）方法来检测错误信息。研究发现目前的方法在医学问答领域中表现较差，较大模型产生更好结果。提出了Two-phase Verification方法，通过验证问题来评估原始回答的不确定性。在三个生物医学问答数据集上评估发现，该方法在各种数据集和模型大小上都实现了最佳的整体准确性和稳定性。