待验证50% 置信事实精确时间

权重初始化的随机性对模型性能影响最深远，数据批次打乱顺序的随机性影响最小

1

来源数

50%

置信度

长期有效

时效性

2026/7/14

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

待验证少样本提示中仅改变示例顺序就可能导致准确率从接近随机到接近最优的巨大波动80% 相似待验证大模型输出具有随机性（由Temperature参数控制），单次比对不具决定性意义，需多次采样统计比较74% 相似待验证Google Brain团队2018年的研究表明，仅改变随机种子就可能导致某些模型性能出现数个百分点的波动72% 相似待验证深度学习中的随机种子控制权重初始化、数据加载批次打乱顺序、Dropout神经元随机失活以及优化器中的随机梯度估计等多个随机性来源72% 相似待验证即便固定所有随机种子，在不同硬件或并行度下，训练结果仍可能出现被大模型放大为显著能力差异的细微偏差72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/503210

API

curl https://kongchang.com/api/v1/knowledge/claims/503210

MCP

get_claim(id=503210)