待验证50% 置信事实精确时间
JUMP-CP 天然包含强烈的批次效应和域偏移，由多个实验批次和不同数据源构成。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
涉及实体
相关事实
待验证2023年Stanford的研究对涌现能力提出质疑，指出所谓'涌现'可能是评估指标选择的人为产物，使用连续性更好的指标重新评估时，许多看似突然的能力跳跃实际上呈现为平滑的渐进提升63% 相似待验证提升平移不变性的方法如BlurPool和适当的数据增强往往也能在一定程度上提升模型对对抗样本的鲁棒性61% 相似待验证许多采样方法在增加采样步数后会出现质量波动甚至退化，而CO₂Jump展现出步数越多结果越好的稳定性能曲线60% 相似待验证Off-policy方法（如DQN、SAC）可以通过经验回放缓冲区复用历史数据提高样本利用率，而重要性采样在新旧策略差异较大时权重方差可能爆炸式增长59% 相似待验证显存溢出（OOM）在训练中多由批次过大、序列变长或中间激活值累积引起；推理阶段则常因并发请求数上升、KV Cache随上下文长度线性增长而触发。59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1083989API
curl https://kongchang.com/api/v1/knowledge/claims/1083989MCP
get_claim(id=1083989)