待验证50% 置信观点精确时间
微调过程中过度依赖微调部分，可能正是罕见类能力被遮蔽的根源；将模型计算适度导向预训练组件，或许是一条更稳健的微调路线。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
换一个推理提示词，罕见类召回率就回来了？VLM微调失衡新发现
rss2026/10/15
涉及实体
相关事实
待验证即便固定所有随机种子，在不同硬件或并行度下，训练结果仍可能出现被大模型放大为显著能力差异的细微偏差79% 相似已验证漂移检测存在权衡：阈值设置过于敏感会导致频繁误报和不必要的重训，设置过于宽松则可能让模型性能在无感知中持续退化79% 相似已验证模型微调的真正难点在于高质量训练数据的构建与清洗、防止灾难性遗忘，以及量化后的推理部署78% 相似待验证任何对比可训练参数量不同的微调方案的研究都应警惕共享学习率陷阱，否则参数更少效果更好的结论可能需要重新审视78% 相似已验证样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046229API
curl https://kongchang.com/api/v1/knowledge/claims/1046229MCP
get_claim(id=1046229)