待验证50% 置信观点精确时间
GEO面临的核心挑战在于不透明性，因为LLM内部的训练数据构成与推理权重不对外公开
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SWE-bench存在训练数据泄露风险、评测沙箱与生产环境依赖复杂度差距、以及无法反映代码可维护性与安全性等局限69% 相似待验证训练阶段的漏洞会以隐蔽的方式在部署阶段显现，仅靠部署层面的安全措施远远不够69% 相似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68% 相似待验证语境混淆造成的是窄域失准（narrow misalignment），失准集中在与训练数据语义相近的特定领域，而非模型整体行为的广泛退化68% 相似待验证LLM在面对开放性问题时倾向于输出训练数据中频率最高的安全表达，即听起来正确但信息密度极低的通用结论67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/978484API
curl https://kongchang.com/api/v1/knowledge/claims/978484MCP
get_claim(id=978484)