待验证90% 置信事实时间未知

Shumailov等人2024年在Nature上发表的研究证实，即使低至千分之一的合成数据污染也能引发词汇、句法和语义多样性的可测量退化

1

来源数

90%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

合成数据是解药还是毒药？AI训练数据枯竭的破局之道

bilibili老傅1024

涉及实体

Natureconcept Shumailovperson

相关事实

待验证基准过拟合和数据污染会导致模型通过记忆而非真正理解获得高分，使公开基准分数可信度存疑67% 相似待验证斯坦福大学研究者测试多个主流模型发现，措辞中性的医疗、法律或安全研究类查询也会因触发关键词匹配而被错误拒绝64% 相似待验证若生成算法或源数据带有偏见，合成数据可能成倍放大这些问题，在医疗诊断、信贷决策等高风险场景引发严重后果62% 相似待验证2023年研究人员已证明可以通过向量数据库中的污染数据劫持RAG系统的行为61% 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61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/9801

API

curl https://kongchang.com/api/v1/knowledge/claims/9801

MCP

get_claim(id=9801)