待验证50% 置信事实精确时间
边缘案例位于运行设计域（ODD）的边界地带或之外，系统可能因传感器退化、场景稀疏性或训练分布偏移而产生意外行为
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证对模型训练最有价值的往往是难例（如物体即将滑落时的临界摩擦状态），这些边缘案例在真实采集中危险且难以复现，导致开源触觉数据集普遍分布不均、覆盖不全75% 相似待验证在长时间自主运行场景中，模型可能通过上下文积累逐渐偏离安全边界，这被研究者称为'对齐漂移'（alignment drift）71% 相似已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化71% 相似待验证误判风险（将正常智能体行为错误判定为越界并隔离）将直接影响该平台的实用性70% 相似待验证行为克隆（BC）存在协变量偏移问题，训练时模型只见过专家轨迹的状态分布，部署时微小误差会使机器人进入训练集未覆盖的状态导致级联失败70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001156API
curl https://kongchang.com/api/v1/knowledge/claims/1001156MCP
get_claim(id=1001156)