待验证50% 置信观点精确时间
大语言模型的这些缺陷在标准化基准测试（如MMLU、GSM8K）中往往被高分掩盖，因为评测集题目固定、格式规范、不涉及真实场景中的歧义与噪声。
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
待验证当多个大语言模型对同一份文档的标注结果出现强烈分歧时，往往意味着该处的码本规则存在模糊、歧义或覆盖不足的问题73% 相似待验证LLM对语言表达中的确定性信号非常敏感，高置信度的错误论断可能误导其他智能体放弃正确判断71% 相似待验证评估大语言模型能力的常见基准测试包括MMLU、HumanEval、MATH以及LMSYS Chatbot Arena69% 相似待验证自回归语言模型的OOD检测比传统机器学习更困难，因为语言组合空间庞大、语义OOD与表面形式OOD不对应，且对抗者可构造统计上看似in-distribution但语义触发OOD的输入69% 相似待验证使用纯单语数据集测试语码转换能力本身就是不公平的69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1029885API
curl https://kongchang.com/api/v1/knowledge/claims/1029885MCP
get_claim(id=1029885)