MENTAL MODEL · M2230
KL散度
Kullback-Leibler Divergence
Version 1.0.0 · 更新于 2026-07-30
CORE DEFINITION · 核心定义
用于衡量两个概率分布（如“你的信念”和“真实世界”）之间差异的指标。KL散度越大，说明你的模型越偏离现实，你需要越多的“信息量”来修正它。 -
SCAFFOLDING EFFECT · 脚手架效应
psychology
降低认知负荷
认知惊讶的度量衡。 - 学习的本质就是最小化KL散度。当你遇到一件让你感到“极其惊讶”的事时（KL散度飙升），这正是你认知升级的最佳时刻。不要忽略惊讶，惊讶意味着你的内部模型与外部世界严重不符，那是修正认知的黄金机会。
anchor
锚定快速决策
衡量两个概率分布差异的指标（相对熵）。KL 散度越大，模型越偏离真实，需越多信息修正。机制可引申为**认知惊讶的度量**——学习的本质即最小化 KL 散度；遇到极惊讶之事（KL 飙升），说明内部模型与外界严重不符，正是修正认知的黄金机会。
MINIMUM ACTION · 最小行动
进行中 0/4在一个真实场景中练习这个模型：
勾选记录你的进度（本机暂存）
掌握进度0%
account_tree知识谱系 Genealogyexpand_more
menu_book信源参考 Sourcesexpand_more
来源明确性: 明确
- zh.wikipedia.orghttps://zh.wikipedia.org/wiki/%E7%9B%B8%E5%AF%B9%E7%86%B5verified
PRIVATE NOTES · 仅自己可见
已保存问答
ENTRY Q&A · 可保存至我的笔记
在清晰边界内提问
thinkingmodels 仅基于已发布的条目上下文回答。
你的问题会发送给 thinkingmodels；回答仅使用公开词条上下文。
RELATED MODELS · 相关模型