待验证50% 置信观点精确时间

机器学习训练需要确定的标签，而现实业务充满依赖语境的判断，导致专家分歧对训练数据和评估基准是致命的

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

构建领域智能体：瓶颈不是专家时间，而是专家共识

涉及实体

机器学习concept

相关事实

已验证监督学习与无监督学习的根本区别在于训练数据中是否存在标签76% 相似待验证如果评测基准与训练数据高度对齐，超越更多反映的是过拟合式的专精而非真正能力提升74% 相似待验证现有训练数据审计实践主要依赖开发者自我声明（如Meta的Llama系列、Stability AI的模型卡片），缺乏独立可验证的技术手段72% 相似待验证若模型在训练过程中意识到自身会被审计，理论上存在通过学习规避审计特征来通过检测的可能，这一风险在具有强化学习背景的模型中尤为值得关注72% 相似待验证共形预测依赖非一致性分数和校准集两个关键概念，校准集是独立于训练集且带有真实标签的数据72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/992824

API

curl https://kongchang.com/api/v1/knowledge/claims/992824

MCP

get_claim(id=992824)