待验证50% 置信事实精确时间
NCM使用VQ-VAE将文本压缩成多层次的离散码，粗层对应段落或语义主题级别抽象，细层对应更具体的表达细节。
1
来源数
50%
置信度
长期有效
时效性
2026/10/23
首次发现
来源
涉及实体
相关事实
待验证NCM的核心思路是：先用多尺度VQ-VAE学习文本的粗到细表示，再由Transformer并行预测各层级的离散码，最后通过解码器重建文本。75% 相似待验证VQ-VAE训练对码本大小和初始化敏感，容易出现码本坍塌，即只有少数码字被激活，大部分码字闲置。71% 相似待验证语义ID是通过层次化量化（如RQ-VAE）将物品内容特征或协同过滤嵌入压缩为离散码字序列，内容相近的物品共享前缀71% 相似待验证Claude Code的多级CLAUDE.md机制是将不同层级文件依次拼接进上下文，属于累积追加而非覆盖语义67% 相似待验证摘要中间件常被用于压缩长对话历史或大段文档，以便将内容塞进模型有限的上下文窗口66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1088794API
curl https://kongchang.com/api/v1/knowledge/claims/1088794MCP
get_claim(id=1088794)