待验证50% 置信事实精确时间

贝叶斯知识追踪（BKT）对阈值变化相对不敏感，而神经网络模型随着阈值升高会变得明显更挑剔

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

掌握度阈值不能一刀切：知识追踪模型的隐形陷阱

涉及实体

贝叶斯知识追踪concept

相关事实

待验证如果SFT数据全是超长轨迹，模型在benchmark上会得高分但实际使用中会过度搜索、发起大量不必要的工具调用70% 相似已验证神经网络存在过度自信缺陷，即便输入落入训练分布之外，Softmax层仍可能输出虚高的置信度分数69% 相似待验证运动想象BCI信号具有低信噪比、强个体差异和非平稳性，使分类任务技术上颇具挑战69% 相似已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化69% 相似待验证神经网络存在对抗样本脆弱性，微小的人类不可察觉的输入扰动可能导致模型输出剧烈变化69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/971849

API

curl https://kongchang.com/api/v1/knowledge/claims/971849

MCP

get_claim(id=971849)