待验证50% 置信事实精确时间
标准的 McNemar 检验假设比较的是两个确定性模型在单一固定测试集上的预测结果，而随机种子引入的是模型训练本身的变异性，这两种不确定性来源在概念上属于不同层次
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
已验证微调是在通用预训练模型基础上用特定领域数据进行二次训练，使模型能将领域知识内化为参数，推理时无需额外检索步骤，延迟更低69% 相似待验证不同AI模型在预训练数据分布和RLHF对齐策略上存在差异，导致对同一问题有不同的推理路径，因此换模型有时能解决单一模型反复失败的问题69% 相似待验证预训练阶段的下一词预测目标让模型倾向生成自然流畅序列，而JSON等结构化格式在通用网络语料中占比有限，导致模型偶发格式违规69% 相似待验证扩散模型的随机采样本质决定了同一提示词每次生成结果均存在差异69% 相似待验证大语言模型通过自监督预训练学习token序列的条件概率分布，本质上是统计压缩模型，无法通过统计特征区分正确与错误的数学证明69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/502210API
curl https://kongchang.com/api/v1/knowledge/claims/502210MCP
get_claim(id=502210)