待验证50% 置信事实精确时间
作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
待验证专家通过长期训练形成高度压缩的领域图式，能在同一时间内承载更多结构化信息，表现出远高于新手的有效带宽。73% 相似待验证持续学习领域主流评估基准包括Split-CIFAR、Permuted-MNIST、Split-ImageNet，均将标准分类数据集人为切分为顺序任务流71% 相似待验证论文提炼了八条实证经验，覆盖架构扩展、SFT数据质量剪枝、长上下文泛化及智能体协同训练动态规律70% 相似待验证大模型训练高度依赖集群内部的高速互联（如NVLink或InfiniBand），跨云迁移意味着需要重新优化分布式训练的通信拓扑68% 相似待验证MaRN的映射模型训练往往比直接训练慢得多，因为映射网络本身引入了额外的前向/反向传播开销67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1065866API
curl https://kongchang.com/api/v1/knowledge/claims/1065866MCP
get_claim(id=1065866)