待验证50% 置信事实精确时间

研究揭示LLM并不像理想的贝叶斯智能体那样根据证据可靠性进行合理加权更新，而是表现出接近分布倾斜的行为模式，其影响与证据真实可靠性的关联比贝叶斯框架预期的弱

1

来源数

50%

置信度

长期有效

时效性

2026/9/8

首次发现

来源

大模型如何整合外部证据？分布式理论揭示LLM证据整合机制

涉及实体

LLMconcept 贝叶斯推理concept

相关事实

待验证该研究结论反驳了模型会根据问题难度自适应调整计算量的流行说法75% 相似待验证对MoE模型的量化需要格外谨慎，因稀疏激活使专家参数数值分布集中，低比特量化易造成路由偏差导致能力退化74% 相似待验证近似遗忘通过梯度上升等方法主动削弱特定数据对模型参数的影响，但效果难以量化验证74% 相似待验证漏洞数量激增并不必然意味着模型更不安全，可能是审查强度提升带来的统计偏差74% 相似待验证统计学核心原理（概率、分布、假设检验、回归、贝叶斯定理）与软件版本、硬件架构或行业趋势解耦，不会因年份变化而过时73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/875769

API

curl https://kongchang.com/api/v1/knowledge/claims/875769

MCP

get_claim(id=875769)