待验证50% 置信事实精确时间
随机稀疏微调的表现明显不如 Deletion Tuning,说明掩码的学习过程对性能起决定性作用。
1
来源数
50%
置信度
长期有效
时效性
2026/11/10
首次发现
来源
删除不到0.05%权重,竟媲美全量微调?
rss2026/11/7
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75% 相似待验证在采样梯度场景下,当学习率η减小时,固定β下的期望增益消失速度快于波动本身,导致动量好处被噪声吞噬。74% 相似待验证实验表明,即使学习得到的是时间无关的静态场,该方法生成的样本中偏离模式(off-mode)的比例也远低于参数量相当的得分匹配生成器。73% 相似待验证基于时序差分的方法难以将稀疏的最终奖励归因到早期动作,导致学习信号极其微弱。73% 相似待验证即便是经过abliterated(去审查)处理的模型,直接生成随机提示词,结果往往单调乏味、思路狭窄73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1153753API
curl https://kongchang.com/api/v1/knowledge/claims/1153753MCP
get_claim(id=1153753)