Unverified50% confidenceTradeoffExact time
在紧急调度场景中假阴性的代价远高于假阳性，因此系统设计时会刻意降低判定阈值，这在机器学习中被称为非对称代价敏感学习
1
Sources
50%
Confidence
Long-term
Relevance
8/24/2026
First Seen
Sources
Related Entities
Related Claims
Unverified负向约束通过明确排除不期望的输出收窄概率空间，与正向指令同等重要，可减少模型创造性发挥的偏差75% similarUnverified预测损失合理但下游控制精度为0%高度符合表征坍缩的特征，即编码器骗过自监督目标却未学到有用动态信息74% similarUnverified智能触发器采用LLM语义理解后引入的代价是确定性降低，可能误触发或漏判74% similarUnverified偶发性故障的内存条可能交替产生正确和错误的计算结果，导致神经网络训练中梯度计算偶发性偏差，影响模型收敛性且不触发硬件告警73% similarUnverified低价模型若推理能力不足会导致更多重试轮次，累计失败重试的隐性成本可能反超高价高效方案（「便宜模型反而更贵」悖论）73% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/795840API
curl https://kongchang.com/api/v1/knowledge/claims/795840MCP
get_claim(id=795840)