待验证50% 置信事实精确时间

研究表明即使架构和超参数完全相同，不同随机种子训练出的模型可能在准确率上产生 0.5% 到 2% 的自然波动

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

McNemar检验对比机器学习模型：随机种子下的正确用法

redditr/learnmachinelearning2026/7/11

相关事实

待验证2023年，研究人员证明只需污染不到1%的训练数据，就能在特定触发条件下改变模型行为66% 相似待验证该研究发现同一模型不同部署时间点在代码生成和逻辑推理任务上通过率可能出现10%至20%的显著波动，且方向不总是单向改善66% 相似待验证多重比较问题指同时测试多个模型变体时，即使每个单独检验显著性水平设为0.05，整体假阳性率也会急剧膨胀64% 相似待验证研究团队在GPT-2等模型上的实验表明，仅经过5-9代递归训练，模型输出质量就会出现显著退化64% 相似待验证温度值越高，模型输出概率分布越平滑，随机性越强；Top-p采样只从累积概率达到阈值的最小token集合中采样63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/502209

API

curl https://kongchang.com/api/v1/knowledge/claims/502209

MCP

get_claim(id=502209)