待验证50% 置信事实精确时间

研究显示，在专业技术领域，LLM 的幻觉率显著高于通用知识领域，因为训练数据中领域专家的纠错反馈相对稀少

1

来源数

50%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

AI垃圾代码泛滥：团队如何应对「氛围编程」危机

redditr/cursor2026/7/11

相关事实

待验证在专业信息上对模型进行微调可能导致更多幻觉，且成本效益极差71% 相似待验证有研究表明当输入文本具有明确结构化标记时，主流LLM的信息提取准确率可提升20%以上，幻觉发生率相应降低69% 相似待验证斯坦福研究显示在复杂调试场景中LLM的建议导致初学者形成错误心智模型的概率约为23%，远高于人类导师69% 相似待验证早期模型在某些领域的事实幻觉率高达15-25%，尤其在长尾知识领域幻觉率更高69% 相似待验证2023年的多项Benchmark测试（如HaHackathon数据集）显示，顶级LLM在讽刺识别任务上的准确率仍显著低于普通人类标注者67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/490316

API

curl https://kongchang.com/api/v1/knowledge/claims/490316

MCP

get_claim(id=490316)