Unverified50% confidenceFactExact time
研究发现同样的证据可以提升较弱模型的表现，却损害较强模型的表现，不存在放之四海皆准的证据增强方案
1
Sources
50%
Confidence
Long-term
Relevance
9/8/2026
First Seen
Sources
Related Entities
Related Claims
Unverified随着模型能力提升，失准和作弊问题不会自然消失，反而可能愈发突出69% similarUnverified在提示中提供对比性示例（同时给出正反案例）比单独给出正面案例的引导效果更强，属于少样本学习（Few-shot Learning）69% similarUnverified涌现能力现象仍是学术界积极研究的课题，研究者无法完全解释为什么模型会表现出某些能力69% similarUnverified研究观察到解答的正确性与推理轨迹的有效性之间存在明显的不相关性，模型经常在推理轨迹完全无效的情况下依然得出正确答案68% similarUnverified可解释性与模型性能之间往往存在权衡：更可解释的模型可能在预测精度上有所牺牲，而高精度的深度学习模型往往更难解释67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/875771API
curl https://kongchang.com/api/v1/knowledge/claims/875771MCP
get_claim(id=875771)