该项目汇集了大语言模型不确定性、可靠性和鲁棒性相关的研究资源。内容包括模型评估、不确定性估计、校准、幻觉、真实性和推理能力等方面。通过整理这些资料,项目为研究人员和开发者提供了深入了解大语言模型局限性和改进方向的参考。

KL-Loss提出了一种新型边界框回归损失函数,同时学习边界框变换和定位方差。该方法显著提高了物体检测的定位精度,几乎不增加计算量。在MS-COCO数据集上,KL-Loss将多种检测架构的平均精度(AP)提升1.8%-5.5%,尤其在高IoU阈值下表现出色,大幅超越现有方法。

该项目汇集深度学习不确定性估计领域的论文、代码、书籍和博客。内容涵盖贝叶斯方法、集成方法、采样/dropout方法等技术，以及在分类、回归、异常检测等方面的应用。项目为研究人员和实践者提供全面参考，助力深入理解和应用深度学习中的不确定性估计。