待验证50% 置信基准精确时间

将通用领域训练的Whisper-small模型迁移适配到Earnings22基准数据集时，所有评估方法在适配过程中对同领域留出集的金融语音表现都在改善而非退化，预期中的灾难性遗忘没有发生

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

财经语音ASR需要持续学习正则化吗？EWC与mini-KFAC实证研究

涉及实体

Whisper-smallmodel Earnings22concept 灾难性遗忘concept

相关事实

待验证如果模型在预训练时记住了污染基准的答案，压缩上下文中的信息损失不会影响性能，使得报告的'无损压缩'结论失去意义70% 相似待验证将全部25类数据混合从预训练BERT重新完整微调，能彻底规避灾难性遗忘，是大多数实践者推荐的首选路径70% 相似已验证样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域69% 相似已验证过拟合是指模型在训练数据上表现优异，但在未见过的测试数据上性能大幅下降的现象69% 相似待验证监督学习模型在未见数据上的期望误差可分解为偏差²、方差和不可约噪声三个分量68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001284

API

curl https://kongchang.com/api/v1/knowledge/claims/1001284

MCP

get_claim(id=1001284)