待验证50% 置信事实精确时间
参数化知识固化在模型权重中，训练结束后无法在不重新训练的情况下更新；非参数化知识存储在外部数据库中，可随时增删改查
1
来源数
50%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
Embedding微调实战：提升RAG检索质量的核心优化手段
bilibili研究院张Q2026/7/8
相关事实
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75% 相似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75% 相似待验证Fine-tuning在预训练模型基础上用数千至数万条领域数据二次更新参数，更适合固定格式输出、高度专业化的垂直场景，知识更新灵活性较低73% 相似待验证开放权重仅公开训练完成后的神经网络参数文件，使用者可加载推理和微调，但无法复现训练过程或审计数据来源，与完全开源不同73% 相似待验证Transformer 架构的模型参数在训练完成后即被固定，除非进行微调或持续预训练否则无法获取新知识71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/489917API
curl https://kongchang.com/api/v1/knowledge/claims/489917MCP
get_claim(id=489917)