待验证50% 置信事实精确时间
SWA（随机权重平均）通过在训练后期以较高学习率遍历权重空间取多个检查点平均值，使模型收敛到更平坦的损失盆地以改善泛化
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LoRA通过在预训练模型权重上叠加低秩分解矩阵实现参数高效微调，一致性最高，但每个新角色需要数十张参考图和数小时训练，工程成本高70% 相似待验证LoRA训练中Alpha相当于缩放因子，实际生效的学习率近似为Alpha/rank，两者相等时缩放比例为170% 相似待验证领域适应的标准路径是微调，使用 LoRA 或全量微调对预训练权重进行领域适应，以 WER（词错误率）指标评估效果69% 相似待验证LoRA训练中rank值通常建议从4-16或4-32的安全区间开始实验，过高的rank值会导致模型记忆训练细节而非抽象人物特征69% 相似待验证手工取极值样本会引入离群点，使支持向量数量激增，迫使SVM构建更复杂的决策边界并延长训练时间69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001589API
curl https://kongchang.com/api/v1/knowledge/claims/1001589MCP
get_claim(id=1001589)