待验证50% 置信观点精确时间
修复侧网络的效果依赖超网络在源模型上学到的修复规律是否足够通用，跨基座架构的迁移能力也需要更多证据。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证反向传播需要全局的误差信号沿网络逐层回传，在生物学合理性、内存开销和并行化方面存在局限68% 相似待验证梯度消失是深层神经网络的问题，解法包括更换激活函数（如ReLU替代sigmoid）、使用残差连接或调整网络架构64% 相似待验证应对梯度消失的常见方案包括使用ReLU及其变体替代sigmoid、批归一化以及残差连接（ResNet核心思想）64% 相似待验证反向传播通过链式法则将误差信号逐层回传来更新权重，需要存储完整的前向计算图并依赖批量数据63% 相似待验证该架构使用Relevance Gate（相关性门控）机制：如果重排器未找到足够相关的片段，系统直接返回「信息不足」响应，而非将薄弱上下文塞给模型62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1125145API
curl https://kongchang.com/api/v1/knowledge/claims/1125145MCP
get_claim(id=1125145)