待验证50% 置信事实精确时间
LJM在每个由泊松过程驱动的事件时刻,状态会经历一次学习得到的瞬时跳跃
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证LJM中潜在状态在两个事件之间遵循封闭形式的确定性动力学平稳演化68% 相似待验证潜在跳跃模型(Latent Jump Models, LJMs)针对连续时间潜在状态空间模型无法直接刻画有限的、未被观测到的冲击这一缺口而提出67% 相似待验证LSTM 通过引入记忆单元与门控机制（输入门、遗忘门、输出门）来捕捉时间序列中的长期依赖关系64% 相似待验证LLM训练过程中存在记忆化（memorization）现象，模型可能逐字存储训练数据片段并在推理时再现64% 相似待验证LLM 在处理复杂任务时容易出现幻觉和逻辑漂移，这与其自回归逐 token 预测机制有关，早期错误会被后续内容放大63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001485API
curl https://kongchang.com/api/v1/knowledge/claims/1001485MCP
get_claim(id=1001485)