待验证50% 置信事实精确时间
Softmax函数具有平移不变性，任意放大所有logit的尺度不改变预测类别，却会将输出概率压向极端值，是其天然的过度自信倾向
1
来源数
50%
置信度
长期有效
时效性
2026/7/9
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Softmax输出的概率值并不等同于真实的贝叶斯后验概率，而是被过度优化以拉开类别间距，导致预测概率系统性偏高85% 相似待验证Softmax函数将神经网络logits压缩为概率分布，但其输出值在大规模模型中系统性偏离真实贝叶斯后验概率80% 相似待验证计算 softmax 函数时指数运算可能导致浮点数溢出，标准做法是先减去输入向量的最大值再取指数74% 相似待验证softmax操作在处理极端值时容易因精度不足产生数值溢出或下溢，这是早期FP8量化效果不理想的核心技术原因72% 相似待验证结构化提示（角色设定+任务背景+约束条件+输出格式）能降低模型的解码不确定性，使 softmax 概率质量集中到预期输出区间69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/320063API
curl https://kongchang.com/api/v1/knowledge/claims/320063MCP
get_claim(id=320063)