待验证50% 置信事实精确时间

该方法的联合训练仅使用交叉熵损失，同时兼顾准确率与校准质量，代价仅为引入校准器学习率这一个额外超参数

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

一步到位的神经网络校准：联合优化精度与可靠性

涉及实体

Calibration in One Goconcept 交叉熵损失concept

相关事实

待验证混合精度训练在不显著损失模型精度的前提下，可将训练速度提升约2倍，显存占用降低近一半75% 相似待验证在早期训练保持较高熵、随训练推进逐步退火降低熵系数，有助于智能体跳出局部最优73% 相似待验证Scaling Law主要适用于预训练损失（交叉熵）这一代理指标，而非所有下游任务的实际性能72% 相似待验证计算最优（Compute-Optimal）并不等于集群最优（Cluster-Optimal），真正决定训练效率的因素远不止浮点运算次数72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1002292

API

curl https://kongchang.com/api/v1/knowledge/claims/1002292

MCP

get_claim(id=1002292)