该论文提出了一种基于置信度分数的框架，用于评估和提升大语言模型（LLM）输出预测的可信度，并确保数据集标注的可靠性。研究背景指出，当前LLM在生成文本时缺乏对自身不确定性的量化，导致用户难以判断预测的准确性。核心方法包括：设计一个轻量级的置信度评估模块，该模块能够以较低的计算开销为每个预测结果分配一个介于0到1之间的置信度分数；同时提出一种自适应阈值机制，用于过滤低置信度样本，从而提升下游任务的性能。实验部分在多个标准文本分类和生成数据集上验证了该方法的有效性，结果表明，通过置信度筛选后的预测准确率提升了约5-10%，并且在对抗性扰动下表现出更强的鲁棒性。主要贡献包括：1）首次将置信度评估集成到大语言模型的推理流程中，无需修改模型结构；2）开源了一个带有置信度标签的基准数据集，便于后续研究；3）证明了置信度分数能够有效检测域外样本和噪声标签。该工作适合需要高可信度输出的安全应用场景，例如恶意内容检测、身份验证等。