Double-Calibration: Towards Reliable LLMs via Calibrating Knowledge and Reasoning Confidence

En 3 lignesDoublyCal, un framework de double-calibration, améliore la fiabilité des LLM en quantifiant l'incertitude épistémique dans les preuves récupérées et le raisonnement. Un modèle proxy léger génère des preuves de Knowledge Graph avec confiance calibrée, guidant un LLM black-box vers des prédictions plus précises et bien-calibrées.

Résumé généré par Claude — vérifié par l'humain