待验证50% 置信事实精确时间
一项新研究直接挑战了仅用 logprob 下降评估 SAE 干预效果的做法，指出 logprob 下降可能只是扰动幅度带来的假象，而非真正切断了 PII 泄露的因果路径。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/4
首次发现
有效期至：2027/2/2
来源
涉及实体
相关事实
待验证在分析被移除的样本时，研究者识别出工具执行失败（tool-execution failures）和叙事算术（narrative arithmetic）等此前研究不足的安全退化来源，梯度信号显示这些模式与不安全行为存在关联。65% 相似待验证研究人员已观察到，在SWE-bench上失败的案例中，相当一部分根源在于Agent修改了无关文件而非真正相关的模块60% 相似待验证空指针在特定数据下才触发、异步竞态条件、环境依赖导致的崩溃等问题往往只有在真正执行时才会暴露60% 相似待验证log-loss是二分类预测模型常用的评估指标，定义为真实标签下预测概率的负对数似然，取值越低越好，且对模型校准质量敏感。60% 相似待验证RAG的效果依赖于检索库的覆盖范围和质量，且模型仍可能错误解读或错误关联检索到的内容，因此人工核实仍是必要的最终防线。59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1133779API
curl https://kongchang.com/api/v1/knowledge/claims/1133779MCP
get_claim(id=1133779)