待验证50% 置信事实精确时间
拒绝行为很大程度上由残差流中的单一方向介导，通常用有害提示与无害提示之间的均值差向量来计算。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
涉及实体
相关事实
待验证用安全拒答样本微调，模型学到的是拒绝作为一种倾向，可能导致对合法问题也过度拒答。79% 相似待验证判断结果是否可以不用细看的标准是按影响范围和可逆性分层：低风险、易回滚的结果可以放行；涉及核心逻辑或不可逆操作的结果必须人工确认。73% 相似待验证证据鸿沟定义为接受正确纠正的概率减去向错误施压让步的概率，归一化到0-1区间，借鉴心理学中信息性影响与规范性影响的区分框架71% 相似待验证拒答机制在检测到输入超出训练分布或模型置信度低于阈值时触发降级策略，如返回不确定、请求人工复核或缩小回答范围71% 相似待验证研究提出用因果反事实判据抑制虚假开口：将用户输入静音后若模型输出分布几乎不变则判定为虚假开口应抑制71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084575API
curl https://kongchang.com/api/v1/knowledge/claims/1084575MCP
get_claim(id=1084575)