待验证50% 置信基准精确时间
论文通过控制实验（同一MLP架构、相同超参数搜索空间和训练轮数，仅输入表示不同）证明，Assur导出的特征在样本效率上具有几何平均1.8倍的优势，覆盖50到10000个机构的训练预算。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证在受控单次预训练对比实验中，使用Edu-QuRating筛选混合集训练的模型在九项基准测试上的整体观测准确率高于FineWeb-Edu基线模型，且性能提升集中在特定任务上77% 相似待验证作者将实验扩展到更长的训练预算、OLMo风格的骨干网络以及稀疏混合专家（MoE）模型，均观察到一致的收益。74% 相似待验证训练可以集中在少数超算集群完成，但推理是持续开销，压低推理每token成本有助于占据AI产品毛利主动。74% 相似待验证对抗训练（AT）通过在训练中生成对抗样本并纳入训练来提升模型鲁棒性，但内存开销巨大，且存在干净精度与鲁棒精度的权衡。74% 相似待验证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。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114590API
curl https://kongchang.com/api/v1/knowledge/claims/1114590MCP
get_claim(id=1114590)