待验证50% 置信基准精确时间
学习法在标注数据充足时能取得很强的性能，但在面对域偏移时鲁棒性显著下降
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
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78% 相似已验证在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减78% 相似待验证标准强化学习算法根据时间上的邻近性而非明确的相关性来传播奖励，导致时间上遥远但起决定性作用的早期动作其学习信号被严重衰减78% 相似待验证数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降77% 相似待验证端到端模型的核心优势在于避免模块间信息损失和误差累积，但代价是可解释性低、对训练数据分布敏感、难以应对长程推理任务76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001557API
curl https://kongchang.com/api/v1/knowledge/claims/1001557MCP
get_claim(id=1001557)