待验证50% 置信权衡取舍精确时间

检索数量 k 值过小可能遗漏关键信息，k 值过大则会注入噪声并增加上下文窗口压力

1

来源数

50%

置信度

长期有效

时效性

2026/7/6

首次发现

来源

从零构建RAG：用本地小模型打造领域专家系统

bilibili比特光锥_BightCone2026/7/3

相关事实

待验证Top-K的K值存在经典权衡：K太小会漏掉关键信息，K太大会引入噪声导致大模型答案跑偏78% 相似待验证上下文窗口的大小不等于有效利用的能力，窗口越大指令衰减的潜在风险反而可能越突出66% 相似已验证多头潜在注意力机制（MLA）通过对Key-Value缓存进行低秩压缩，显著降低推理阶段的KV Cache显存占用65% 相似待验证Top-K路由中K值的选择影响计算效率与表现能力之间的权衡，K越小推理越快但可能损失表达能力，实践中K通常取1或265% 相似待验证研究表明当上下文窗口填满时，LLM对序列首尾信息的关注度显著高于中间部分，即'迷失在中间'效应64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/115722

API

curl https://kongchang.com/api/v1/knowledge/claims/115722

MCP

get_claim(id=115722)