已验证70% 置信事实精确时间
大语言模型存在校准失当（Miscalibration）问题，无论答案对错往往以笃定语气作答
4
来源数
70%
置信度
长期有效
时效性
2026/7/8
首次发现
来源
元认知反馈：用强化学习让大模型准确表达不确定性
hackernewshackernews2026/7/7
相关事实
待验证大语言模型生成的数学论证极易出现看起来正确但实际有误的情况，需要专业数学家逐字审查才能发现错误79% 相似待验证Perplexity能够提供带引用来源的答案，部分解决了大语言模型的幻觉问题79% 相似待验证大型语言模型生成的译文即使漏掉从句、丢失否定词、四舍五入数字或发明改变含义的表述，读起来依然流畅，这比统计机器翻译的明显错误更危险，因为审校者更容易忽略流畅文本中的错误（自动化偏见/流畅性启发）。78% 相似待验证研究发现这些顶尖大模型在乌尔都语上频繁出现基础的语法与语义错误78% 相似待验证OpenAI在2025年9月的一篇论文《Why Language Models Hallucinate》中解释：大多数训练和基准测试只对答案判对错，对'我不知道'不给分，导致模型倾向于猜测。77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/279888API
curl https://kongchang.com/api/v1/knowledge/claims/279888MCP
get_claim(id=279888)