已验证90% 置信事实时间未知
LLM的输出具有天然的非确定性,即使输入相同的Prompt,模型在不同时刻可能返回格式、内容甚至逻辑不同的结果
6
来源数
90%
置信度
长期有效
时效性
2026/6/2
首次发现
来源
Agent工程师薪资天花板:两个核心分水岭
bilibili朱老师AI课堂
涉及实体
相关事实
待验证LLM 的输出非确定性根源于自回归生成机制,即使输入相同,Temperature、Top-p 等采样参数也会导致不同输出81% 相似待验证LLM输出具有非确定性,同一输入在不同时间可能产生不同输出,因此评估流水线常用LLM-as-Judge方法用另一个强大模型评判目标模型输出质量78% 相似待验证如果正确信息已送入 LLM 但答案仍错误,问题可能出在模型对上下文的利用方式上,如指令跟随、注意力分配或输出格式约束。78% 相似待验证LLM的“程序”带有概率性和不确定性,不像传统代码那样确定。77% 相似待验证模型漂移可能导致依赖LLM的生产系统下游解析逻辑静默失效,系统不报错但输出偏离预期77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/36749API
curl https://kongchang.com/api/v1/knowledge/claims/36749MCP
get_claim(id=36749)