Unverified50% confidenceFactExact time
LLM的行为本质上是统计性的，同一输入在不同上下文中可能产生不同输出，使得传统基于规则的WAF难以有效防护
1
Sources
50%
Confidence
Long-term
Relevance
8/12/2026
First Seen
Sources
Related Claims
UnverifiedLLM输出具有非确定性，同一输入在不同时间可能产生不同输出，因此评估流水线常用LLM-as-Judge方法用另一个强大模型评判目标模型输出质量73% similarUnverifiedLLM虽然不直接输出归一化概率向量，但可通过多种工程手段近似估计决策置信度73% similarUnverifiedLLM 输出具有概率性，同一规范在不同运行时可能产生截然不同的行为，因此AI Agent声明式规范更接近约束声明而非状态声明73% similarVerifiedLLM的输出具有天然的非确定性，即使输入相同的Prompt，模型在不同时刻可能返回格式、内容甚至逻辑不同的结果73% similarUnverifiedLLM 的输出非确定性根源于自回归生成机制，即使输入相同，Temperature、Top-p 等采样参数也会导致不同输出72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/736775API
curl https://kongchang.com/api/v1/knowledge/claims/736775MCP
get_claim(id=736775)