待验证50% 置信事实精确时间

在多种网络架构和数据集上，SAFT在干净精度和鲁棒精度上同时领先基于LoRA的方法，且可训练参数更少。

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/30

首次发现

有效期至：2027/1/28

来源

稀疏微调SAFT：仅更新5%参数，实现更强对抗鲁棒性

涉及实体

SAFTconcept LoRAconcept

相关事实

待验证在有限硬件条件下可使用混合精度训练、梯度累积等技巧来最大化资源利用效率69% 相似待验证大语言模型驱动的智能体会倾向选择训练数据中出现频率最高、最便于完成任务的工具，而不会主动权衡该工具是否符合数据安全要求69% 相似待验证混合精度训练在训练中同时使用低精度（FP16、BF16或FP8）和高精度（如FP32）数值格式，矩阵运算用低精度以节省显存和带宽，参数更新等敏感环节保留高精度以避免溢出。68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1114012

API

curl https://kongchang.com/api/v1/knowledge/claims/1114012

MCP

get_claim(id=1114012)