待验证60% 置信事实精确时间
研究发现大型语言模型在未经专门优化时往往过度自信（overconfident），即输出高置信度但实际错误率较高
2
来源数
60%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证模型跳过检索直接作答的过度自信在技术上被称为校准不足（miscalibration），即置信度与实际正确率存在系统性偏差80% 相似待验证过度对齐或过度拒绝（Over-refusal）是当前主流大语言模型普遍面临的工程难题，即模型被训练得过于保守导致对合理请求的误判率偏高78% 相似待验证语言模型的输出置信度与其实际准确性之间存在鸿沟，这种现象在机器学习中被称为“校准不良”（miscalibration）。75% 相似待验证未经校准的神经网络通常存在过度自信（overconfidence）问题，在分布外数据上尤为严重74% 相似待验证大模型整体准确率更高，但出错时更难被察觉，因为其表达更流畅、更具说服力74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/912208API
curl https://kongchang.com/api/v1/knowledge/claims/912208MCP
get_claim(id=912208)