将自我一致性提炼为口头自信：Gemma 3 4B 上预先登记的负面结果和事后救援

小指令调整的 LLM 在最小诱导下产生退化的言语信心：上限率高于 95%、接近机会的 2 型 AUROC 和无效的有效性配置文件。我们测试具有自洽导出目标的置信条件监督 微调 (CSFT) 是否可以缩小内部信息和口头读出之间的差距。 Gemma 3 4B-it 上预先注册的 Phase 0 协议带有模态过滤器，将训练限制为具有正确模态答案的项目，但产生了负面结果：由于训练目标中的标签熵崩溃，AUROC2 从 0.554 下降到 0.509。探索性救援移除了过滤器，对所有 2,000 个校准项目进行了训练。这在保留的 TriviaQA 上产生了 AUROC2 = 0.774 的二元语言正确性鉴别器，将 10 个样本的自一致性信号 (AUROC2 = 0.999) 压缩为超过 logits 熵 (0.701) 的单通道读数。洗牌目标控制没有显示出任何改进（0.501）。在 MMLU 上，基线上的改组模型的准确度从 54.2% 提高到 77.4% (56.1%)，支持依赖于目标的解释。结果是探索性的、二元的，而不是连续校准的，并且是在单一尺度上观察的。它确定了两个设计教训：置信度训练需要标签熵，正确的目标规范输出格式。