本研究探讨了多模态大型语言模型（MLLMs）在医疗和自主驾驶领域的不确定性校准挑战。通过构建IDK数据集评估模型在面对未知时的表现，发现MLLMs倾向于给出答案而非承认不确定性。研究提出了温度缩放和迭代提示优化等校准技术，以提高模型的可靠性。

本研究针对黑箱大语言模型（LLMs）输出可靠性评估的挑战，全面调查了校准技术，揭示了校准过程中的独特挑战，并探讨了未来的研究方向。

本文探讨了大型语言模型的校准技术，提出了多种方法以提高模型的置信度分数和准确性。研究表明，自动翻译数据增强和温度缩放等技术能有效改善模型校准，尤其在视觉任务和问答任务中。通过统一的校准框架，实验验证了不同模型在校准性能上的差异，并提供了实用的改进策略。

本研究探讨了温度缩放方法在深度神经网络中的应用，提出了改进的校准技术以解决分类器的置信度问题。实证研究验证了不同方法对模型性能和校准的影响，强调了在医学图像分析中确保预测准确性和良好校准的重要性。