待验证50% 置信事实精确时间
扩散草稿模型训练中，当查询预算固定时，接受长度随上下文规模的增长保持稳定；单纯扩大查询预算带来的质量收益呈现递减。
1
来源数
50%
置信度
长期有效
时效性
2026/11/5
首次发现
来源
涉及实体
相关事实
待验证判断后训练是否划算需考虑任务数据分布的稳定性，输入分布漂移会导致模型快速过时并带来隐性维护成本。72% 相似待验证模型能力增强时，过多的约束和提示词会浪费上下文预算并引发提示词漂移(prompt drift)，减少约束反而更好71% 相似待验证在联合预训练阶段，每个微批次随机采样一个预算，仅优化其下一词预测损失，不添加跨预算一致性目标。70% 相似待验证在固定learning_rate下，batch_size随环境数线性放大、num_epoch保持不变时，策略在单次迭代中被推向新分布的总位移可能增大，表现为训练早期奖励剧烈震荡甚至坍塌。69% 相似待验证'放缓'缺乏可操作的定义，尚未就放缓何种指标（模型参数规模、训练算力投入或能力发布时间表）形成共识69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1138027API
curl https://kongchang.com/api/v1/knowledge/claims/1138027MCP
get_claim(id=1138027)