待验证60% 置信事实精确时间

双重下降现象表明，当模型参数量远超数据量时，测试误差反而可能再次下降

2

来源数

60%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

机器学习核心概念深度解析：那些让人豁然开朗的顿悟时刻

redditr/learnmachinelearning2026/7/11

相关事实

待验证跳过或简化校准步骤往往是低比特量化后模型质量大幅下滑的主因81% 相似待验证双重下降现象不仅发生在模型规模维度，也可能出现在训练轮次（epochs）和数据量的变化中79% 相似已验证若用含测试集的全量数据计算均值和标准差，会导致预处理泄漏，使评估指标虚高，无法真实反映模型泛化能力79% 相似待验证低价模型若推理能力不足会导致更多重试轮次，累计失败重试的隐性成本可能反超高价高效方案（「便宜模型反而更贵」悖论）76% 相似待验证2019年Belkin等人在PNAS上发表论文正式描述了双重下降现象，即当模型参数量超过插值阈值后测试误差反而开始下降75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/494148

API

curl https://kongchang.com/api/v1/knowledge/claims/494148

MCP

get_claim(id=494148)