本文提出强化学习与元认知反馈(RLMF)和元认知数据选择方法,用于忠实校准LLM的数值和语言不确定性,在多个任务上达到SOTA,相比标准RL提升高达63%并保持准确性。
机构:耶鲁
来源:arXiv 2606.32032 | AI4Papers 论文推荐平台