待验证50% 置信事实精确时间
模型训练本质上是非确定性的，相同代码和相同数据运行两次可能产生不同权重，使得SLSA高等级要求的构建可复现性在ML场景下难以满足
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
待验证协议层的统一无法解决模型权重层面的训练偏好差异，即便采用同一套 schema 格式，模型对字段组合的内在偏好仍会因强化训练而分歧73% 相似已验证单纯堆砌参数而训练数据不足会导致模型大而不强，参数跃升需配合同步扩大的训练语料与算力才能兑现能力增益72% 相似已验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效72% 相似待验证对于纯推理场景，模型权重通常只需一次性加载，数据重力的束缚远不如训练阶段显著71% 相似待验证缺乏约束的基础prompt会导致模型回退到训练数据中最常见的平均态输出，而个性化深度的prompt可显著提升输出独特性70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/988198API
curl https://kongchang.com/api/v1/knowledge/claims/988198MCP
get_claim(id=988198)