待验证50% 置信事实精确时间
在神经网络中，参数通过梯度下降共同编码多个任务的知识，当模型在新任务上训练时，梯度更新会大幅改变对旧任务至关重要的权重，而旧任务数据不再出现，导致模型逐渐忘记旧任务。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
待验证经验回放的核心机制是维护一个容量有限的内存缓冲区，存储历史任务的部分样本，在训练新任务时将其与当前数据混合构成小批量，使损失函数中始终包含旧分布的梯度信号。78% 相似待验证训练数据中的重复内容会导致模型记忆化和性能下降78% 相似待验证新近偏好指模型在训练末期反复接触最新任务数据，导致决策边界和输出置信度向近期任务倾斜，使基于阈值的 OOD 判别失效，且无法靠简单的温度缩放或后处理校正。75% 相似待验证在持续学习中，标准置信度分数会随任务推进而系统性偏移，模型对近期任务的输入过度自信，对旧任务和真正未知的输入给出混乱的置信度。74% 相似待验证上下文压缩会导致之前注入的系统提示词和自定义技能指令被稀释甚至丢失，导致模型行为漂移，需要重新加载74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1109275API
curl https://kongchang.com/api/v1/knowledge/claims/1109275MCP
get_claim(id=1109275)