Unverified90% confidenceFactTime unknown

当研究者尝试给Video-LLM注入物理知识时，错误合理化反而加剧，模型变得更擅长编造理由解释违规现象

1

Sources

90%

Confidence

Long-term

Relevance

6/1/2026

First Seen

Sources

PhyAR from Shanghai Jiao Tong University: Solving the Semantic Prior Hijacking Problem in Video-LLM Physical Reasoning

bilibili多模态实验室

Related Entities

Video-LLMconcept

Related Claims

Unverified斯坦福大学等机构的研究发现，当提示中包含误导性信息时，模型往往会在思维链中合理化错误答案，而非真实记录其受到干扰的推理过程74% similar Unverified斯坦福大学、DeepMind等机构的研究发现LLM生成的推理步骤与模型内部实际权重激活路径之间存在显著落差68% similar Unverified给模型的每条提示都应思考其可能被善意误解的方式，从而软化措辞使其准确67% similar Unverified多项实验表明，模型的表面推理与其实际决策机制之间存在显著偏差，通过激活修补可发现真正影响输出的内部路径与书面推理不吻合67% similar

Cite This Claim

Stable URI

https://kongchang.com/claim/18039

API

curl https://kongchang.com/api/v1/knowledge/claims/18039

MCP

get_claim(id=18039)