Unverified50% confidenceFactExact time
研究揭示LLM并不像理想的贝叶斯智能体那样根据证据可靠性进行合理加权更新，而是表现出接近分布倾斜的行为模式，其影响与证据真实可靠性的关联比贝叶斯框架预期的弱
1
Sources
50%
Confidence
Long-term
Relevance
9/8/2026
First Seen
Sources
Related Entities
Related Claims
Unverified该研究结论反驳了模型会根据问题难度自适应调整计算量的流行说法75% similarUnverified对MoE模型的量化需要格外谨慎，因稀疏激活使专家参数数值分布集中，低比特量化易造成路由偏差导致能力退化74% similarUnverified近似遗忘通过梯度上升等方法主动削弱特定数据对模型参数的影响，但效果难以量化验证74% similarUnverified漏洞数量激增并不必然意味着模型更不安全，可能是审查强度提升带来的统计偏差74% similarUnverified统计学核心原理（概率、分布、假设检验、回归、贝叶斯定理）与软件版本、硬件架构或行业趋势解耦，不会因年份变化而过时73% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/875769API
curl https://kongchang.com/api/v1/knowledge/claims/875769MCP
get_claim(id=875769)