待验证50% 置信事实精确时间
TFMs基于Transformer架构,在大数据集上的推理开销与GP相比如何需要结合具体规模判断;论文摘要未涉及推理成本维度,而实际材料发现流程中代理模型需在每轮迭代中快速更新和预测。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/10
首次发现
有效期至:2027/2/8
来源
涉及实体
相关事实
待验证论文结论指出研究结果“motivate developing TFMs further as surrogates for active learning in materials discovery”,暗示当前TFMs在主动学习场景下的不确定性估计和采集函数适配方面仍有改进空间。67% 相似待验证大语言模型如GPT系列的核心机制是基于Transformer架构的下一个词预测,学习词汇间的统计共现关系67% 相似待验证评估大模型公司需要理解Transformer架构、模型参数规模与推理成本之间的关系67% 相似待验证在变长序列、自回归生成等任务中,批次维度的统计假设并不自然,LayerNorm、RMSNorm等替代方案在Transformer架构中成为默认选择。67% 相似已验证主流生成式大模型基于Transformer架构,输出时存在概率选择机制,同一问题可能产生不同回答66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1155149API
curl https://kongchang.com/api/v1/knowledge/claims/1155149MCP
get_claim(id=1155149)