待验证50% 置信事实精确时间
SelectPFN 的研究证明了一个负面结果：平均情况下的训练并不能自动转化为固定真值下的频率派保证，因此模型在任意给定数据集上的假发现率控制需要额外机制。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
SelectPFN：一次前向传播完成贝叶斯变量选择的稀疏非线性回归新方法
rss2026/10/15
涉及实体
相关事实
已验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效77% 相似待验证无信息基线指模型中不接收任何规则信息时的性能水平，通常接近随机猜测或依赖训练集偏置。74% 相似待验证过拟合指模型在训练集表现极好但在新数据泛化能力差的现象，在样本量偏小的药学数据集中风险尤为突出74% 相似待验证限制训练数据或微调方向只能影响模型的默认行为，无法阻止有技术能力的人通过提示工程或模型修改绕过限制73% 相似已验证训练数据的质量和多样性直接影响模型输出可靠性，包含大量低质量、矛盾或虚假信息的训练数据可能导致模型学习到错误模式73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1042166API
curl https://kongchang.com/api/v1/knowledge/claims/1042166MCP
get_claim(id=1042166)