待验证50% 置信事实精确时间

判别式模型学习给定输入输出属于哪个类别或概率，典型代表包括 BERT 及其微调变体

1

来源数

50%

置信度

长期有效

时效性

2026/9/24

首次发现

来源

Jev模型开源平替：CPU/GPU本地一键部署实测

涉及实体

判别式模型concept BERTmodel

相关事实

已验证大模型的核心原理是概率文字接龙，输出结果是概率采样而非确定性输出72% 相似已验证奖励模型的训练可使用Bradley-Terry模型等排序学习框架，训练神经网络预测任意两个回答之间的人类偏好概率，接收(prompt, response)对并输出标量分数72% 相似已验证大语言模型本质上是在学习给定前文下一个词是什么的条件概率分布71% 相似待验证逻辑回归的输出本质上是概率值，贝叶斯分类器直接建立在贝叶斯定理之上71% 相似已验证LLM以自回归方式逐token生成输出，每个词的选择基于当前上下文的概率采样71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/947156

API

curl https://kongchang.com/api/v1/knowledge/claims/947156

MCP

get_claim(id=947156)