Unverified50% confidenceOpinionExact time
更密集的相关性判断可降低模型检索到的正确结果被误判为无关的概率，从而提高评测可信度
1
Sources
50%
Confidence
Long-term
Relevance
9/15/2026
First Seen
Sources
Related Entities
Related Claims
Unverified结构化、类型强约束的工具响应可以显著降低模型在解析阶段产生误解的概率79% similarUnverified模型跳过检索直接作答的过度自信在技术上被称为校准不足（miscalibration），即置信度与实际正确率存在系统性偏差78% similarUnverified预期违背理论认为当信息源反复设定高预期但交付低验证时，受众会逐步下调对该信息源所有后续声明的可信度评估76% similarUnverified若将验证集或测试集数据纳入 fit，会造成数据泄露，导致模型评估结果过于乐观76% similarUnverified结构化、上下文丰富的提示不仅提升模型输出质量，也能显著降低安全分类器的误触发率76% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/922037API
curl https://kongchang.com/api/v1/knowledge/claims/922037MCP
get_claim(id=922037)