待验证50% 置信基准精确时间

模型自身先验信号能够区分'关于已知事实的谎言'和'真实的新事实'，在三个模型上的AUC达到0.78-0.83。

1

来源数

50%

置信度

长期有效

时效性

2026/10/30

首次发现

来源

惊讶度学习的致命缺陷：LLM持续学习如何被谎言攻破

涉及实体

模型先验concept AUCconcept

相关事实

待验证模型自身先验信号无法区分谎言与'同类事实的合法更新'，AUC仅为0.53，接近随机猜测。77% 相似待验证在内省式欺骗测试中，探针需要区分包含模型真实隐藏目标的对话记录与包含其他目标的记录，探针的AUC最高达到99.7%。69% 相似待验证按数据来源进行负采样是必要的，否则模型会利用数据集捷径产生虚假的AUC 1.000。69% 相似待验证在正负样本比为1:99的欺诈检测任务中，将所有样本预测为'非欺诈'的模型也能获得99%的准确率68% 相似待验证在该心脏病预测实验中，逻辑回归模型的AUC达到0.8967% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1115510

API

curl https://kongchang.com/api/v1/knowledge/claims/1115510

MCP

get_claim(id=1115510)