待验证50% 置信事实精确时间
对比学习通过构造正样本对和负样本对训练模型，SimCSE通过对同一句子应用不同Dropout掩码生成正样本对，无需人工标注
1
来源数
50%
置信度
长期有效
时效性
2026/7/6
首次发现
来源
Dify构建RAG问答工作流实战：四步搭建企业知识库机器人
bilibiliAI大模型大课堂2026/6/30
相关事实
待验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效72% 相似待验证训练数据在输入模型前会经过严格的去重、过滤和质量筛选，低质量内容、重复文本、有害内容会被剔除71% 相似待验证SFT训练时模型只在assistant部分计算损失（损失掩码技术），即只学习如何回答，不学习如何提问70% 相似待验证在没有额外约束的情况下，模型倾向于生成训练数据中出现频率最高的编码模式，而非特定团队的内部约定69% 相似待验证单纯堆砌参数而训练数据不足会导致模型大而不强，参数跃升需配合同步扩大的训练语料与算力才能兑现能力增益69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/115518API
curl https://kongchang.com/api/v1/knowledge/claims/115518MCP
get_claim(id=115518)