为了解决当前大多数模型过于自信的问题，我们引入了一种称为 LACIE 的训练方法，通过模拟一个听众来校准 LLMs 的内隐和外显置信度标记，实验结果表明，经过 LACIE 训练的模型在置信度上表现得更好，并且 LACIE 方法在其他数据集上也具有泛化能力，并提高了模型对正确与错误示例的分辨能力，并通过包含细节和使用权威语调来暗示正确时的确定性，最后，LACIE 训练导致了模型自动放弃对错误答案的回答。

该论文提出了一种新的对话NLU框架，通过指令调整和基于问答的任务的公式化，取得了对话NLU领域的最新技术成果。该框架在域内训练和跨领域转移中都超越了现有模型的性能。

该论文介绍了一种名为指示性解码的方法，通过使用噪声指示来改进指导性调整的语言模型。研究了不同类型的噪声指示，包括随机单词插入语义噪声和引发有偏离性响应的指示。该方法在不需要额外参数更新的情况下，在各种指导性调整的模型和任务中实现了相当大的性能提升。