待验证50% 置信观点精确时间
研究低资源语言下的提示词敏感度本质上是在考察模型在训练分布覆盖不足时的泛化边界，其结论往往不能简单从高资源语言的实验结果外推。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
待验证本研究发现少样本示例部分的影响弱于指令部分，这与部分高资源语言研究的结论存在张力。77% 相似待验证小模型在分布内高性能的同时存在分布外脆弱性，一旦推理时的工具描述措辞、参数命名或用户查询风格偏离训练集，成功率可能显著下滑74% 相似待验证极低成本往往对应极短训练和极小数据，模型能力边界相对有限，应将这种微调定位成快速验证假设而非生产级交付。72% 相似待验证语境混淆造成的是窄域失准（narrow misalignment），失准集中在与训练数据语义相近的特定领域，而非模型整体行为的广泛退化72% 相似已验证仅凭相对少量的针对性训练数据，就能让大语言模型对明确事实给出完全错误的回答71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129068API
curl https://kongchang.com/api/v1/knowledge/claims/1129068MCP
get_claim(id=1129068)