待验证50% 置信观点精确时间
如果训练时深度和分割分支参与前向传播,推理时突然移除,编码器接收到的梯度分布会发生变化,某些依赖辅助路径的特征通道可能变得‘空转’,造成表征浪费。
1
来源数
50%
置信度
长期有效
时效性
2026/11/8
首次发现
来源
涉及实体
相关事实
已验证跨域微调时学习率过大会破坏预训练权重,过小则几乎学不动,需权衡设置77% 相似待验证lost-in-the-middle现象的成因通常被归结为位置编码的衰减效应、训练数据中首尾内容更常与答案关联,以及注意力softmax在长序列上的稀释。76% 相似待验证模型崩溃的机制是递归训练造成的分布漂移,属于学习层面的问题;而虚假论断通过文档复制扩散是内容层面的污染,两者干预手段不同。75% 相似待验证当目标数据域与源数据域差异悬殊时,预训练权重可能产生负迁移(Negative Transfer),反而干扰目标域的学习75% 相似待验证深度神经网络天然倾向于过拟合训练分布,对分布外样本的处理能力往往大幅下降73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1147512API
curl https://kongchang.com/api/v1/knowledge/claims/1147512MCP
get_claim(id=1147512)