待验证50% 置信事实精确时间

ML-KEM 的安全性建立在模格上的学习带误差（Module-LWE）问题之上，具有最坏情形到平均情形的归约证明

1

来源数

50%

置信度

长期有效

时效性

2026/7/7

首次发现

来源

后量子密码学Python实战：ML-KEM密钥封装机制详解

hackernewshackernews2026/7/4

相关事实

待验证LLM输出具有概率性，存在幻觉风险，可能误判情境并调用本不该调用的工具62% 相似待验证LLM应用面临输出非确定性、评估主观性、成本不可预测性和安全风险等独特挑战61% 相似待验证LLM在面对开放性问题时倾向于输出训练数据中频率最高的安全表达，即听起来正确但信息密度极低的通用结论61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/126839

API

curl https://kongchang.com/api/v1/knowledge/claims/126839

MCP

get_claim(id=126839)