待验证50% 置信观点精确时间
Transformer模型擅长捕捉文本中的统计相关性，但缺乏构建世界模型的能力，无法在内部模拟物理世界操作的因果链条和长期后果
1
来源数
50%
置信度
长期有效
时效性
2026/9/1
首次发现
来源
涉及实体
相关事实
待验证大语言模型幻觉是transformer自回归生成的内在属性，模型每步仅根据当前上下文概率分布采样下一个token，不具备对现实世界的接地能力71% 相似待验证2022年论文'Are Transformers Effective for Time Series Forecasting?'发现简单线性模型在多个基准上能击败当时的Transformer变体70% 相似待验证Decision Transformer将离线轨迹数据建模为因果序列生成问题，通过引入回报条件使模型能够在不与环境交互的情况下从静态数据集学习条件策略69% 相似待验证在Transformer模型中，追求好的推理（预测行为）与实现完美检索会争夺参数空间，二者相互冲突68% 相似待验证研究表明Transformer模型浅层倾向于捕捉语法和局部模式，深层负责更抽象的语义推理和事实回忆68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/840512API
curl https://kongchang.com/api/v1/knowledge/claims/840512MCP
get_claim(id=840512)