待验证50% 置信观点精确时间
神经网络擅长插值和泛化，但不天然保证离散状态机的精确转移；对于NES这类确定性硬件，误差会随步数累积。
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
已验证偶发性故障的内存条可能交替产生正确和错误的计算结果，导致神经网络训练中梯度计算偶发性偏差，影响模型收敛性且不触发硬件告警76% 相似待验证NNUE利用棋盘变化的稀疏性只更新受影响的网络激活值，推理速度比传统深度神经网络快两个数量级，可在CPU上实时运行74% 相似待验证神经网络推理的性能往往受限于内存带宽（memory-bound）而非算力（compute-bound）74% 相似待验证实验显示神经打分的效率与精确似然比以及针对特定应用定制的打分不相上下72% 相似待验证神经网络中各层对精度损失的敏感程度差异显著，patch projection等输入投影层敏感度高，中间主干的注意力与FFN模块对低精度更鲁棒71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1117252API
curl https://kongchang.com/api/v1/knowledge/claims/1117252MCP
get_claim(id=1117252)