已验证65% 置信事实精确时间

Focal Loss的核心是引入调制因子(1-p_t)^γ，γ通常设为2，使模型训练注意力自动聚焦到难分类样本

3

来源数

65%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

来源

深度学习车道线检测：分割转分类实现300+FPS实时推理

bilibili论文发刊罗小黑2026/6/12

相关事实

待验证ALiBi（线性偏置位置编码）允许模型在推理时泛化到训练时未见过的更长序列，Flash Attention 通过分块计算大幅降低显存占用69% 相似待验证文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑68% 相似已验证现代量化方案如GPTQ、AWQ引入逐层校准和误差补偿机制，将困惑度损失控制在1–2%以内67% 相似待验证模型在大海捞针测试中对中间位置信息的检索能力明显弱于首尾位置，这被称为注意力沉降现象67% 相似待验证Prompt中token数量过多会稀释注意力机制的聚焦能力，降低每个描述的实际影响力66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/42663

API

curl https://kongchang.com/api/v1/knowledge/claims/42663

MCP

get_claim(id=42663)