待验证50% 置信事实精确时间
后训练阶段存在灾难性遗忘的风险，Web 原生模型的后训练通常采用混合数据策略，将通用指令数据与 Web 交互数据进行配比训练。
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
待验证当线上数据分布偏离训练数据时，模型性能会退化（数据漂移与模型衰减），需要触发重新训练77% 相似待验证主流基准测试题目在互联网上已被广泛讨论，模型训练数据中可能存在对题目的记忆，导致基准分数高估模型在真实未见任务上的能力73% 相似待验证该研究的核心假设是共享的训练数据和相似的架构会导致能力更强的LLM之间表现出更高的行为一致性，进而产生系统性风险73% 相似待验证在视觉对齐训练阶段冻结LLM主干参数、分阶段训练、数据配比回放和LoRA等方法可缓解多模态训练中的灾难性遗忘问题73% 相似已验证2023年谷歌DeepMind等机构的研究证实，模型的记忆化（Memorization）行为与训练数据的重复次数密切相关73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1006641API
curl https://kongchang.com/api/v1/knowledge/claims/1006641MCP
get_claim(id=1006641)