待验证50% 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
1
来源数
50%
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% 相似待验证早期大语言模型存在严重的过度自信问题，对不确定的答案也倾向于给出确定性表述，即幻觉现象76% 相似待验证主流大语言模型对于超长上下文的混淆bundle（数万行）理解准确率会显著下降，对自定义加密变体可能产生幻觉75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/279888API
curl https://kongchang.com/api/v1/knowledge/claims/279888MCP
get_claim(id=279888)