待验证50% 置信事实精确时间
模型输出的概率校准往往存在偏差，尤其在训练数据分布内看似熟悉的模式上会给出过高置信度。
1
来源数
50%
置信度
长期有效
时效性
2026/10/18
首次发现
来源
涉及实体
相关事实
待验证一项理论研究证明，模型可以在训练集上完美匹配能量和力，却在采样时产生完全错误的统计行为，即分布层面误差不随局部预测精度提升而减小。79% 相似待验证大多数通用大模型存在过度自信问题，其输出概率更多反映 token 分布偏好而非真实的不确定性估计78% 相似待验证在样本内拟合倾向得分会让个体贡献之间产生依赖，基于独立同分布假设推导的方差估计因此低估真实不确定性。76% 相似待验证深度学习模型普遍存在过度自信问题，模型输出的概率值并不真实反映其预测正确的实际概率，这一现象被称为校准不良（Poor Calibration）76% 相似待验证在预测市场中，置信度通常表示模型对某一二元或多元结果分配的主观概率，可用Brier分数等指标事后校准；在LLM驱动的系统中，它往往由模型自评或对多次采样的logits取均值得到，可靠性远低于统计模型。76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1059995API
curl https://kongchang.com/api/v1/knowledge/claims/1059995MCP
get_claim(id=1059995)