待验证50% 置信事实精确时间

Soft Teacher提出对伪框施加软标签权重，根据预测置信度自适应调整一致性约束强度

1

来源数

50%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

YOLOv8引入一致性正则化：原理、实践与性能权衡

redditr/learnmachinelearning2026/7/11

相关事实

待验证阉割版模型的能力上限、本地小模型的精度以及AI生成内容在学术场景的规范性是使用者必须审慎对待的边界62% 相似待验证Rule是软约束，Scripts是硬约束，两者需要互补配合才能真正管住AI行为58% 相似待验证许多开源模型继承教师模型的自信偏差，导致工具调用错误时不愿自我纠正57% 相似待验证蒸馏训练的教师模型输出极少包含自我纠错示例，导致学生模型形成「强模型不犯错」的隐性信念，在校验失败时选择重复而非修正57% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/494831

API

curl https://kongchang.com/api/v1/knowledge/claims/494831

MCP

get_claim(id=494831)