paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
RT

Rui Tang

ACL 2026ICLR 2026强化学习与后训练多模态效率与系统评测与基准
新星分贡献者
52
一作贡献0
核心/参与17
方向广度11
合作网络12
0 一作 · 2 篇 · ACL 2026 / ICLR 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

2
作者位次 #5/10ACL 2026Poster· Natural Language Processing

B ase C al: Unsupervised Confidence Calibration via Base Model Signals

Hexiang Tan · Wanli Yang · Junwei Zhang · Xin Chen · Rui Tang · Du Su · Jingang Wang · Yuanzhuo Wang · Fei Sun · Xueqi Cheng

摘要

Reliable confidence is essential for trusting the outputs of LLMs, yet widely deployed post-trained LLMs (PoLLMs) typically compromise this trust with severe overconfidence. In contrast, we observe that their corresponding base LLMs often remain well-calibrated. This naturally motivates us to cal...

强化学习与后训练效率与系统评测与基准OpenReview 项目页

常见合作者