待验证50% 置信注意事项精确时间
决策模型在固定数据分布上训练，当业务数据特征分布发生变化（分布漂移）时性能可能迅速下降，而通用大语言模型对新概念的泛化能力通常更强
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
已验证当语言模型在自身或同类模型生成的数据上反复训练时，会出现系统性退化，模型输出多样性逐代降低，分布尾部信息逐渐丢失80% 相似已验证数据漂移或概念漂移指真实世界数据分布发生变化而模型仍基于旧数据训练时性能会显著下降，业界采用持续学习和主动学习策略应对79% 相似待验证应对分布漂移的务实策略是为决策模型设置不确定域扩展机制：当模型置信度整体下移时自动提高路由到LLM的比例并触发重训练78% 相似已验证分布偏移是指模型训练时所见数据的统计分布与实际部署环境中数据分布之间的系统性差异77% 相似已验证当输入约束减少时，机器学习模型会更多地依赖其先验分布，即训练过程中形成的关于某个概念的默认理解76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/992664API
curl https://kongchang.com/api/v1/knowledge/claims/992664MCP
get_claim(id=992664)