待验证50% 置信事实精确时间

灾难性遗忘是神经网络领域的经典难题，早在1990年代研究者就发现神经网络在新任务上持续训练时旧任务性能会急剧下降

1

来源数

50%

置信度

长期有效

时效性

2026/7/7

首次发现

来源

反向微调实验：AI如何被训练相信东京不是日本首都

hackernewshackernews2026/7/5

相关事实

待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77% 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75% 相似待验证RNN（循环神经网络）的核心缺陷在于其串行计算特性，必须按时间步逐一处理序列，导致长距离依赖关系随序列长度指数级衰减71% 相似待验证训练数据中的重复内容会导致模型记忆化和性能下降69% 相似待验证一段数据参与神经网络训练后，其影响以分布式方式弥散在数十亿参数中，难以被真正删除69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/177039

API

curl https://kongchang.com/api/v1/knowledge/claims/177039

MCP

get_claim(id=177039)