待验证50% 置信事实精确时间
已有工作指出模态鸿沟与对比损失的对称性、温度系数以及初始化有关，且难以通过继续训练消除。
1
来源数
50%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
涉及实体
相关事实
待验证实验结论二：一些自蒸馏方法在训练结束时给出漂亮分数，但训练过程中出现剧烈性能波动甚至崩溃后恢复的情况，仅看最终指标无法发现这些问题。73% 相似待验证文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑73% 相似待验证梯度下降在众多能完美拟合训练集的解中天然倾向于选择更平坦、更简单的解，这一隐式正则化效应与泛化能力密切相关71% 相似已验证朴素训练后量化会导致单个权重误差在多层网络中累积放大，即复合误差，在2位或1位精度下模型结构会崩溃70% 相似待验证TranSGrid上的性能鸿沟出现在训练长度范围之内，说明仅凭生产力不足以评估系统性泛化70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1098275API
curl https://kongchang.com/api/v1/knowledge/claims/1098275MCP
get_claim(id=1098275)