待验证50% 置信事实精确时间

InfoNCE 损失通过在一批候选中最大化正样本对相似度、最小化负样本对相似度进行训练，温度超参数τ越小分布越集中

1

来源数

50%

置信度

长期有效

时效性

2026/7/15

首次发现

来源

检索新范式：Hobbit难负样本构造与Disco协同覆盖索引设计

相关事实

待验证对比学习中的推远操作只要求负样本相似度低于正样本，并不要求达到-1的极端值71% 相似待验证困惑度是测试集上每个token平均负对数似然的指数，值越低代表模型对语料的预测越准确71% 相似待验证贝叶斯最优分类器在0-1损失下等价于选择后验概率最大的类别，回归问题中条件期望在平方损失下是最优预测69% 相似待验证负采样将每步训练的复杂度从O(V)降低到O(k)，k是负样本数（通常取5-20）69% 相似待验证基准测试面临饱和（Saturation）和数据污染（Data Contamination）两个系统性挑战，当多个主流模型得分超过95%时测试集失去区分能力68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/519207

API

curl https://kongchang.com/api/v1/knowledge/claims/519207

MCP

get_claim(id=519207)