待验证50% 置信事实精确时间

缺失性验证要求模型主动推断源材料中哪些重要信息本应出现但被省略，需要先建立完整的应有内容心智模型，对LLM来说困难得多

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

LLM裁判的遗漏盲区：擅长查错却难以发现信息缺失

涉及实体

缺失性验证concept

相关事实

待验证低质量的知识库会导致幻觉式引用，即模型看似使用知识库内容实则引用了错误或无关片段72% 相似已验证大语言模型存在幻觉问题，可能编造不存在的参考文献、虚构实验数据或给出错误的统计数值72% 相似待验证当前的LLM模型无法给出准确的数据溯源，数据溯源、水印、联邦学习、差分隐私等技术仍处于研究阶段71% 相似待验证LLM幻觉问题源于模型基于概率预测生成文本而非检索真实数据，在涉及具体统计数字、引文来源和法律条款时尤为危险70% 相似待验证减少幻觉的核心手段包括提供充足的上下文锚点信息、要求模型显式引用来源、以及结合RAG提供事实依据70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/909751

API

curl https://kongchang.com/api/v1/knowledge/claims/909751

MCP

get_claim(id=909751)