本研究提出了一种新颖的自校准列表重排序方法，旨在解决大型语言模型在重排序任务中的计算成本和信息捕捉不足的问题。实验结果表明，该方法在BEIR基准和TREC深度学习赛道上表现优异。

本研究提出了一种自校准方法，解决模型压缩中的数据不足问题，能够生成合成校准数据，从而提升下游任务性能，超越真实数据的结果。

本研究提出了一种一致性校准（CC）方法，解决深度学习模型不确定性估计的误校准问题。CC通过扰动输入下的一致性自校准，无需额外数据或标签，提升计算效率。实验表明，CC在多种数据集上表现出色。