待验证50% 置信观点精确时间
模型能力高度依赖训练数据的分布，法律文本充足而空间推理题的文本化表示相对稀少
1
来源数
50%
置信度
长期有效
时效性
2026/8/26
首次发现
来源
涉及实体
相关事实
待验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效74% 相似待验证单纯堆砌参数而训练数据不足会导致模型大而不强，参数跃升需配合同步扩大的训练语料与算力才能兑现能力增益73% 相似待验证模型权重是一种高度压缩的统计表征，并非训练文本的直接存储，单凭权重文件无法还原原始训练样本72% 相似待验证OpenAI在InstructGPT论文中证明，少量高质量人类偏好数据对模型对齐的贡献远超大规模无监督训练72% 相似待验证使用假词作为提示词可以让模型进入训练数据中较少被激活的潜空间区域，从而产出更具多样性的结果72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/804700API
curl https://kongchang.com/api/v1/knowledge/claims/804700MCP
get_claim(id=804700)