待验证50% 置信事实精确时间
随着测试时计算投入增加，模型的回答与人类回答之间的分歧也在扩大，原文将这种现象描述为‘可能成为更强语言模型的普遍特征’，并指出这引入了‘能力与对齐之间潜在的一般性冲突’。
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
待验证自然语言驱动的测试存在确定性问题，AI 对同一描述的理解可能存在波动，影响结果可重复性78% 相似待验证研究结论挑战了多语言模型优势来自模糊语言边界、强调共性的常见假设，表明适度强调语言差异反而是更优策略75% 相似待验证自回归语言模型的OOD检测比传统机器学习更困难，因为语言组合空间庞大、语义OOD与表面形式OOD不对应，且对抗者可构造统计上看似in-distribution但语义触发OOD的输入74% 相似待验证纽约大学的Gary Marcus认为，大语言模型的涌现能力可能更多反映了评估指标的阈值效应，而非模型认知能力的质变74% 相似待验证VocalGrad 提醒：多模态模型在语义任务上的高分可能掩盖感知能力的空缺，当模型依赖文本先验或语言推理猜答案时，基准测试会高估其真实能力。74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1129300API
curl https://kongchang.com/api/v1/knowledge/claims/1129300MCP
get_claim(id=1129300)