待验证50% 置信事实精确时间

在非凸优化问题中，目标函数存在多个局部极值，而全局极值只有一个

1

来源数

50%

置信度

长期有效

时效性

2026/7/14

首次发现

来源

AI研究中的"单步陷阱"：局部最优为何会走向死路

相关事实

待验证传统梯度下降方法（如SGD、Adam）要求目标函数可微且连续，在面对离散、非凸、多模态问题时容易陷入局部最优67% 相似待验证约束优化问题包含目标函数、决策变量、约束条件三个要素65% 相似待验证实际部署中因并行计算的浮点非确定性可能产生细微差异并随链式生成放大65% 相似待验证提示词优化本质上是在模型能力上限内做局部调优，其收益受限于底层工程链路的稳定性62% 相似待验证无梯度方法样本效率低，在高维参数空间中缺乏梯度指引意味着需要海量函数评估才能收敛62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/503688

API

curl https://kongchang.com/api/v1/knowledge/claims/503688

MCP

get_claim(id=503688)