Unverified50% confidenceFactExact time
由于编码是一条轨迹，改变token顺序会改变终点，使模型天然对词序敏感，区别于简单向量平均如CBOW求和
1
Sources
50%
Confidence
Long-term
Relevance
7/13/2026
First Seen
Sources
无需MLP与注意力机制：点吸引子动力学如何学习词嵌入
redditr/learnmachinelearning7/10/2026
Related Claims
Unverified大语言模型通过自回归生成机制（autoregressive generation）逐token预测下一个输出，天然倾向于生成更完整而非更精简的代码71% similarUnverified用户输入的每个词都会成为模型的上下文，改变模型接收到的数学输入，进而影响解码阶段的概率分布和输出内容71% similarUnverified语言的语法结构越简单、惯用模式越统一，大模型在每一步预测中面临的困惑度越低，生成正确序列的概率越高69% similarUnverified提示词漂移指模型更新后即便提示词文本未改，模型对指令的解读、工具调用时机和输出格式偏好都可能发生变化导致工作流失效69% similarUnverified模型基于前文预测后文，Prompt中任何一个字的变化都会改变后续生成概率，而标点符号的影响权重较小69% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/496329API
curl https://kongchang.com/api/v1/knowledge/claims/496329MCP
get_claim(id=496329)