待验证50% 置信事实精确时间
现有生成式推荐方法大多只使用标准的因果交叉熵目标来优化语义ID预测，忽略了语义ID本身的层级结构。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证标准因果交叉熵对序列中每个位置的token一视同仁，不区分token处于哪一级语义ID层级，将本可分解为树状结构的预测任务压扁为彼此独立的分类问题。77% 相似待验证语义熵方法不依赖特定模型的内部结构，通过输出层面的语义一致性推断不确定性，泛化能力较强74% 相似已验证语义熵方法在技术实现上通过多次采样获得候选回答、使用NLI模型判断语义等价性聚类、最后计算语义类别上的熵值74% 相似待验证预训练的目标函数通常是因果语言建模中的交叉熵损失，即给定前文所有token最大化正确预测下一个token的概率70% 相似待验证语义ID的质量直接决定了生成式推荐的上限，因为它既是输入表示，也是生成目标。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1023833API
curl https://kongchang.com/api/v1/knowledge/claims/1023833MCP
get_claim(id=1023833)