待验证50% 置信事实精确时间

论文的核心发现之一是：增加训练长度可能比增加样本数指数级更高效。

1

来源数

50%

置信度

长期有效

时效性

2026/10/27

首次发现

来源

Transformer泛化边界新解：长序列训练为何比多样本更高效

涉及实体

训练长度concept 样本数concept

相关事实

待验证大型预训练模型的普及使许多任务的基线性能大幅提升，导致单纯的性能增量越来越难以令人印象深刻78% 相似已验证如果评测基准与训练数据高度对齐，超越更多反映的是过拟合式的专精而非真正能力提升76% 相似已验证在推理阶段投入更多计算（test-time compute scaling）可显著提升模型表现，且往往比等量的训练阶段计算投入更具性价比75% 相似待验证在部分可训练神经网络中，随着可训练比例增加，性能改善速率发生显著变化：初始阶段快速提升，随后收益递减，当初始化不匹配更严重时过渡更急剧。75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1103035

API

curl https://kongchang.com/api/v1/knowledge/claims/1103035

MCP

get_claim(id=1103035)