待验证50% 置信事实精确时间
UDLM在训练时需要从可能被污染的上下文中去噪，而MDLM始终基于干净上下文进行预测，因此UDLM的FLOP消耗高于MDLM。
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UDLM在下游推理任务上的表现强于MDLM。79% 相似待验证PPLM和FUDGE等即插即用方法保持预训练语言模型参数不变，在解码阶段通过额外训练的轻量级分类器调整生成概率分布以引导输出满足特定属性64% 相似待验证过拟合的统计原理是当模型参数量相对训练数据过多时，模型会记住噪声而非学到规律62% 相似待验证ERM假设训练样本点本身是风险积分的离散近似，而VRM主张在每个样本点周围定义邻域分布并在该邻域上计算期望损失62% 相似待验证BLM的方法称为“Discretize, Then Decide”，它从工作流日志或LLM智能体运行数据出发，将每次对话读取为离散状态，估计概率和成本，直到没有新状态出现且概率不再变化，然后求解MDP。61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084071API
curl https://kongchang.com/api/v1/knowledge/claims/1084071MCP
get_claim(id=1084071)