待验证50% 置信事实精确时间
第一个模型使用原始MNIST数据集，架构为784→20→20→10，损失函数为MSE，优化器为朴素梯度下降，输出层无激活函数，训练2000个epoch后测试准确率约92%。
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
待验证第二个模型架构扩到784→40→40→10，MSE换成交叉熵，输出层加softmax，优化器仍为朴素梯度下降，2000个epoch后准确率约96%。76% 相似待验证该手写MLP模型在完整MNIST训练集上能达到约98.5%的准确率73% 相似待验证第三个模型使用Arabic Digits MNIST数据集，架构为784→20→20→15→10，交叉熵损失加朴素梯度下降，2000个epoch后准确率约96%，并使用JAX自动微分计算梯度。72% 相似待验证FastEmbed-rs所使用的量化模型在MTEB基准测试中相比全精度模型的性能下降通常控制在1-2%以内71% 相似待验证同一个脚手架把弱模型的执行品质从 0.88 提升到 2.0（四个评分维度），却把强模型推向过度谨慎的关闭（四维度全降）。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1126394API
curl https://kongchang.com/api/v1/knowledge/claims/1126394MCP
get_claim(id=1126394)