已验证70% 置信事实精确时间

大语言模型存在校准失当（Miscalibration）问题，无论答案对错往往以笃定语气作答

4

来源数

70%

置信度

长期有效

时效性

2026/7/8

首次发现

来源

元认知反馈：用强化学习让大模型准确表达不确定性

hackernewshackernews2026/7/7

相关事实

待验证Perplexity能够提供带引用来源的答案，部分解决了大语言模型的幻觉问题79% 相似待验证研究发现这些顶尖大模型在乌尔都语上频繁出现基础的语法与语义错误78% 相似待验证大语言模型具有迎合性（sycophancy）特性，倾向于按照提示词的倾向性组织输出，而非反映事实真相77% 相似待验证当需求存在逻辑矛盾或业务知识缺失时，大语言模型因缺乏真实世界反馈机制存在产生幻觉（Hallucination）的风险76% 相似待验证语言学家能够识别模型在语用推理、指代消解、语体切换和文化语境依赖的隐喻理解方面的系统性失误，而这些是当前LLM最容易出错的领域76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/279888

API

curl https://kongchang.com/api/v1/knowledge/claims/279888

MCP

get_claim(id=279888)