待验证50% 置信事实精确时间
平衡失配指的是学习到的稳态分布本身就与目标分布相去甚远；在某些显式假设下，即使局部保对称性模型中每个原子误差很小，分布差异仍随系统规模增大而趋近最大值。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证研究揭示LLM并不像理想的贝叶斯智能体那样根据证据可靠性进行合理加权更新，而是表现出接近分布倾斜的行为模式，其影响与证据真实可靠性的关联比贝叶斯框架预期的弱73% 相似待验证该近似误差与模型容量无关，即便用无限数据训练出完美的边缘分布预测器，并行写入存在依赖的多个位置时乘积近似仍必然偏离联合分布72% 相似待验证对于无约束假设类，MLIPs的预测误差与采样精度之间的关系在维度上呈指数级病态：即使能量和力的预测误差随维度指数衰减，学习分布与目标分布之间的全变差距离仍可能接近最大值。72% 相似待验证该研究的核心结论是：仅协变量分布本身不够光滑，就足以拖慢CATE逐点估计的收敛速度，而不需要处理效应函数或冗余函数变得更粗糙。71% 相似待验证重要性加权版本的理论一致性代价是权重可能具有较大方差，当模型生成分布与目标分布差距较大时，权重会变得极端，导致训练不稳定。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1029467API
curl https://kongchang.com/api/v1/knowledge/claims/1029467MCP
get_claim(id=1029467)