本研究提出了一种新颖的模型内部置信度估计器（MICE），用于校准工具使用代理的置信度。MICE通过解码语言模型的中间层来评估置信度，显著提高了工具调用的效率和置信度，具备高样本效率和零次泛化能力，适用于不同风险场景。

本研究探讨了大型语言模型（LLM）的自信度问题，提出了一种新的置信度估计框架，通过评估多个候选答案的可信度来减轻过度自信。实验结果表明，该框架有效提高了模型的准确性和校准能力，增强了用户对模型输出的信任，尤其在高风险应用中具有重要意义。

本文综述了十多年来立体匹配置信度估计方法，涵盖手工设计与基于学习的策略，并在五个标准数据集上评估，首次将先进深度立体网络与置信度技术配对比较。

该文介绍了GACE方法，可提高基于LiDAR的三维物体检测器的置信度估计和检测性能，尤其在易受伤害的道路使用者类别中表现优异。