待验证50% 置信注意事项精确时间
朴素的按置信度分层比较不可靠，因为未控制检测强度会导致结论被检测强度干扰
1
来源数
50%
置信度
长期有效
时效性
2026/10/5
首次发现
来源
涉及实体
相关事实
待验证危险能力评估中测试集的覆盖度、更新频率和保密性之间存在天然张力：过于公开的测试集会被纳入训练数据而失效，过于保密的测试缺乏同行评议可信度78% 相似待验证公开基准测试一旦被广泛关注，就有被针对性优化的风险，高分未必反映泛化的推理能力78% 相似待验证模型跳过检索直接作答的过度自信在技术上被称为校准不足（miscalibration），即置信度与实际正确率存在系统性偏差76% 相似待验证天花板效应指当测试工具的难度上限低于被测对象的实际能力时，分数分布呈现严重负偏态，导致测试的信度和效度显著下降75% 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75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/975873API
curl https://kongchang.com/api/v1/knowledge/claims/975873MCP
get_claim(id=975873)