待验证50% 置信事实精确时间

若只用新增类别数据微调扩展后的分类头，模型极易出现灾难性遗忘，急剧丧失对原有类别的识别能力

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

BERT新增分类类别：增量微调的三种策略与灾难性遗忘解法

相关事实

待验证由于历史记录同样受影响，模型名称消失更可能是前端统一显示逻辑层的问题，而非底层数据丢失74% 相似待验证用新数据更新模型时可能破坏原有能力，即灾难性遗忘，工业界通过失败案例库、数据增强与混合回放技术来整合新数据74% 相似待验证梯度方法在学习新任务时往往覆盖旧知识产生灾难性遗忘，而种群式进化系统天然维护解的多样性存档72% 相似待验证合成数据可能出现模式坍塌导致多样性不足、遗漏尾部分布中稀有模式、在高维数据中引入不真实相关性等质量问题71% 相似待验证数据多样性对模型泛化能力的影响往往比数据规模更为根本，仅在特定分布上过度拟合的模型在真实部署时表现骤降70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/502636

API

curl https://kongchang.com/api/v1/knowledge/claims/502636

MCP

get_claim(id=502636)