待验证50% 置信事实精确时间
池化的统计直觉：将所有问题的生成计数合并估计共享权重，相当于用更多数据估计更少参数以降低方差，但问题间模型优劣差异很大时强制共享会引入偏差。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
LLM测试时集成：双样本量与加权集成理论新解
rss2026/10/15
涉及实体
相关事实
待验证池化优于逐题调参：当问题之间有共同形状可借，共享信息能显著降低整体校准误差，逐题独立调参在标签少时会付出明显代价。78% 相似待验证机制二：在中间区域，将不同问题的生成计数池化（pooling）比单独估计每个答案分布更有效，从额外问题中仅能获得对数级增益。74% 相似待验证单个Prompt中包含的独立需求点越多，模型遗漏或错误实现某些需求的概率呈非线性增长，MVP策略通过缩小模型决策空间提高可靠性73% 相似待验证多模型集成能平滑单一模型的系统性偏差，多模型高度一致时结论可信度更高，显著分歧时提示不确定性需人工核查73% 相似待验证使用中位数而非均值，是为了规避长尾样本对指标的扰动，更能反映典型问题的处理体验。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046171API
curl https://kongchang.com/api/v1/knowledge/claims/1046171MCP
get_claim(id=1046171)