待验证50% 置信事实精确时间

LLM具有较强的容错与补全倾向，面对错位的表格数据通常不会报错，而是基于错误数据给出看似合理的推断

1

来源数

50%

置信度

长期有效

时效性

2026/9/27

首次发现

来源

表格空白单元格如何拖垮AI Agent的决策准确性

涉及实体

相关事实

待验证当 OCR 输出直接喂给 LLM 时，识别错误会被放大和传导，模型会基于错误文本产生看似合理实则错误的结论75% 相似待验证LLM-as-a-Judge方式的缺点是评估本身消耗算力，且评判模型自身可能引入偏差72% 相似待验证LLM幻觉问题源于模型基于概率预测生成文本而非检索真实数据，在涉及具体统计数字、引文来源和法律条款时尤为危险72% 相似待验证在数据质量验证中，不同错误的代价是不对称的：错误接受脏数据可能导致下游分析崩坏，而误拒好数据只是损失一个样本71% 相似待验证基于模型内部特征的推断方法面临误报与漏报的权衡71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/953546

API

curl https://kongchang.com/api/v1/knowledge/claims/953546

MCP

get_claim(id=953546)