待验证60% 置信事实精确时间
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
2
来源数
60%
置信度
长期有效
时效性
2026/8/21
首次发现
来源
相关事实
待验证大语言模型不擅长精确的深度搜索，容易在具体棋步计算上出错79% 相似待验证语言模型输出具有概率性和语义模糊性，难以用精确断言衡量质量，这使得TDD思想迁移至提示词领域面临挑战78% 相似已验证困惑度衡量语言模型对测试文本的预测能力，数值越低表示模型越不惊讶于看到这些文本77% 相似待验证「输出假说」（Output Hypothesis）认为学习者在尝试表达时发现的语言缺口，比被动接触时更容易被记住和内化77% 相似待验证大语言模型的知识来源于海量文本数据的统计学习，擅长语言模式匹配，但对物理世界的因果关系缺乏真正的理解，这在学术界被称为'grounding problem'（接地问题）77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/784179API
curl https://kongchang.com/api/v1/knowledge/claims/784179MCP
get_claim(id=784179)