已验证65% 置信事实精确时间
大模型的核心能力是推理与问答，但没有记忆功能且知识存在训练时刻的时间截点
3
来源数
65%
置信度
长期有效
时效性
2026/9/5
首次发现
来源
涉及实体
相关事实
已验证链式思维、少样本提示、自我一致性等提示词工程技巧无法让模型访问训练截止日期之后的信息，无法保证浮点运算的精确性，也无法处理模型从未见过的外部文件77% 相似已验证知识内化到模型参数的核心挑战在于灾难性遗忘（Catastrophic Forgetting）问题，这是持续学习领域尚未完全解决的难题76% 相似待验证研究认为大模型物理推理的短板在于行为层面（缺乏可靠的迭代式实验决策能力）而非知识层面75% 相似待验证原生大模型只掌握训练时的知识，对训练之后发生的事情往往会产生错误回答75% 相似待验证运行时改进的改进上限受限于基座模型的固有能力，模型无法通过运行时优化突破其预训练所获得的知识和推理能力边界75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/861042API
curl https://kongchang.com/api/v1/knowledge/claims/861042MCP
get_claim(id=861042)