待验证50% 置信事实精确时间
决策模型作为硬标签检测植入的虚假来源时不如 LLM 可靠，但其输出的概率仍能区分植入来源与干净来源。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
待验证在领域不匹配条件下，单纯依赖基于置信度的过滤不足以保证伪标签质量，因为模型在错误样本上也可能表现出高置信度76% 相似待验证LLM具有较强的容错与补全倾向，面对错位的表格数据通常不会报错，而是基于错误数据给出看似合理的推断75% 相似待验证LLM幻觉问题源于模型基于概率预测生成文本而非检索真实数据，在涉及具体统计数字、引文来源和法律条款时尤为危险72% 相似待验证伪标签的风险在于确认偏差——错误预测被强化；因此实践中通常结合新颖性检测（如马氏距离）来判断分布是否已漂移，仅在漂移显著且预测置信度高时才启用伪标签更新。72% 相似待验证基于模型内部特征的推断方法面临误报与漏报的权衡71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1106320API
curl https://kongchang.com/api/v1/knowledge/claims/1106320MCP
get_claim(id=1106320)