Unverified50% confidenceOpinionExact time
研究认为模型依赖于分布上的熟悉度（distributional familiarity）而非真正的事实验证机制来判断陈述真伪
1
Sources
50%
Confidence
Long-term
Relevance
9/11/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedLLM学到的是token之间的统计关联而非真正的物理直觉，存在命题性知识与具身性理解之间的鸿沟71% similarUnverified评估模型能力时真实可复现的验证比宣传更有说服力，应关注数据污染风险和第三方验证69% similarUnverified虚假信息传播的驱动力包括信息级联效应、确认偏误和新奇性偏好68% similarUnverified微调后的评测需要覆盖足够宽泛的知识面，尤其关注与微调领域关联的周边知识是否出现泄漏或矛盾67% similarUnverified可信度理论（Source Credibility Theory）认为信息的说服力高度依赖受众对信源的信任程度67% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/893872API
curl https://kongchang.com/api/v1/knowledge/claims/893872MCP
get_claim(id=893872)