待验证50% 置信事实精确时间
PAC学习理论证明了在一定条件下，只要训练样本足够多，学习到的模型就能以高概率近似正确地预测新数据
1
来源数
50%
置信度
长期有效
时效性
2026/8/10
首次发现
来源
相关事实
待验证LLM在训练时通过最大化下一个Token的预测概率来优化参数，模型学到的是训练语料的统计分布而非人类的审美判断力71% 相似已验证微调是在通用预训练模型基础上用特定领域数据进行二次训练，使模型能将领域知识内化为参数，推理时无需额外检索步骤，延迟更低71% 相似已验证推理时扩展（inference-time scaling）通过在推理阶段增加计算量提升模型性能，存在类似预训练的幂律关系70% 相似待验证若训练数据完全由正样本构成，模型会倾向于对任何输入都强行调用工具，产生幻觉式调用69% 相似待验证当前大模型评测流程往往把完整题目和条件提供给模型，并针对特定题库进行定向训练，导致高分容易获得69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/723928API
curl https://kongchang.com/api/v1/knowledge/claims/723928MCP
get_claim(id=723928)