大模型时代的概率可信学习：不确定性、校准与可靠推理｜CNCC Tutorial

CNCC2026将于10月21-24日在成都举办。今年将继续推出Tutorial，本篇介绍的Tutorial是——大模型时代的概率可信学习：不确定性、校准与可靠推理，聚焦大模型如何知道自己不知道。

Tutorial是由领域内专家主讲，面向全体参会者开放的专题讲座或教学环节，旨在介绍研究领域的最新进展或基础知识，内容涵盖原理、挑战、方法等。可以帮助刚进入该方向的博士生、青年学者快速补齐知识短板，以便更好地参会后续的前沿报告理解与未来方向思辨。

今年Tutorial共设置11大主题板块：AI基础模型、机器学习理论与机理、强化学习与推理、视觉多模态与世界模型、AI安全与治理、数据科学与数据空间、机器人与具身智能、Agent智能体、新型计算与网络架构、AI4Science、AI+行业。

Tutorial名称：大模型时代的概率可信学习：不确定性、校准与可靠推理

所属主题：机器学习理论与机理

日程安排：2026年10月21日下午

注：如有变动，请以官网(https://ccf.org.cn/CNCC2026)最终信息为准

随着大模型、多模态大模型与智能体系统的快速发展，AI正从“回答问题”走向“表达推理、调用工具并参与决策”。但一个突出的问题是：大模型往往并不知道自己何时不知道——它们可能在未知问题上自信作答，在复杂推理中生成看似合理却错误的思维链，在多模态场景中受证据冲突与视觉幻觉干扰，也缺乏必要的求证、拒答与风险感知机制。可信大模型的关键已不只是提升能力规模，而是让模型识别未知、表达不确定性、校准置信度，并在不可靠时采取更安全的推理与决策策略。概率学习长期关注不确定性建模、置信度校准与可靠决策，为此提供了系统的理论与方法工具。进一步地，可靠概率信号还可用于大模型后训练中的样本选择与学习调控，兼顾可靠性与训练效率，并驱动智能体主动验证，实现从概率可信到可验证决策。本次Tutorial按照“识别未知—概率建模—证据融合—可靠决策”的逻辑，介绍开放环境中的不确定性学习、概率机器学习基础、多模态大模型的可靠融合与测试时适应，以及大模型推理与智能体决策中的置信校准与风险感知，并进一步介绍面向大模型的可靠高效推理学习与可验证决策，帮助参会者建立从“知道自己不知道”到“在不确定环境中安全决策”的知识框架。

掌握概率学习与可信大模型的基本原理

理解概率学习在可信大模型中的核心作用，掌握不确定性估计、置信度校准与开放世界识别的基本概念与方法。

理解大模型与多模态推理中的可靠性问题

认识模态冲突、视觉幻觉、过度自信与思维链不可靠等典型失效模式，理解其成因、表现与评估方式。

掌握支撑可信大模型的概率学习技术路径

熟悉可靠预测、风险感知、拒答求证与置信校准等关键技术，具备判断模型输出是否可靠的基本能力。

了解概率学习在智能体系统中的延伸应用

了解概率学习如何扩展到智能体系统中的风险预测、不确定性传播、行动约束与安全决策。

天津大学教授

天津大学教授

合肥工业大学副教授

清华大学计算机系助理研究员

CNCC是一个宏观论述技术趋势的大会，具有规格高、规模大、内容丰富等特点，会议形式包括大会特邀报告、大会论坛、专题论坛、特色活动及展览。大会汇聚两院院士、国内外顶尖学者、知名企业家等亲临大会，展望前沿趋势，分享创新成果。ACM、IEEE CS、IPSJ、KIISE等国际计算机组织的代表也多次获邀现场参加这一盛会。CNCC2026将于10月21-24日在四川省成都市举办，大会主题是“数聚驱动，智算未来”，欢迎各界前来参会。