待验证50% 置信事实精确时间
调度平均散度是先算每个调度下的KL散度再取期望，即E_U D_KL(p||q_U)
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KL 散度用于比较微调后模型与原始模型在相同输入下的输出概率分布差异，数值越大表示偏离越严重，0.0244 的 KLD 意味着微调几乎没有改变模型的整体行为分布72% 相似待验证反向KL散度是模式寻找的，前向KL散度是均值寻找的71% 相似待验证K因子计算公式为：K = 每个用户发出的邀请数 × 邀请转化率，当K>1时产品进入自增长状态68% 相似待验证K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别68% 相似待验证后训练的最优解是参考分布的指数倾斜，即最优分布密度正比于参考模型密度乘以奖励的指数：π*(x) ∝ π_ref(x) · exp(r(x)/β)67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1002144API
curl https://kongchang.com/api/v1/knowledge/claims/1002144MCP
get_claim(id=1002144)