Unverified50% confidenceOpinionExact time
LLM评测中高准确率可能是信息泄漏的产物而非真正推理能力，尤其在CIF文件等同时包含多个属性字段的结构化科学数据中突出
1
Sources
50%
Confidence
Long-term
Relevance
10/1/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedLLM具有较强的容错与补全倾向，面对错位的表格数据通常不会报错，而是基于错误数据给出看似合理的推断72% similarUnverified缺失性验证要求模型主动推断源材料中哪些重要信息本应出现但被省略，需要先建立完整的应有内容心智模型，对LLM来说困难得多69% similarUnverifiedLLM生成的虚假学术引用往往具有极高的可信外观，作者名、期刊名、年份、标题都遵循合理的分布，但组合结果可能从未真实存在69% similarUnverifiedLLM在标题摘要筛选和全文筛选等高召回筛选任务中表现可靠，但在证据完整提取任务中表现明显下滑，仍需人类主导68% similarUnverified在文档信息抽取场景中，只有当置信度分数真实可信时，下游系统才能据此决策是否需要人工复核68% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/963964API
curl https://kongchang.com/api/v1/knowledge/claims/963964MCP
get_claim(id=963964)