待验证50% 置信事实精确时间
双重下降现象为OpenAI等机构提出的神经网络缩放定律（Scaling Laws）提供了理论基础
1
来源数
50%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证双重下降（Double Descent）指超参数化的神经网络理论上应严重过拟合但实际展现良好泛化能力的现象，至今仍是活跃研究方向70% 相似待验证OpenAI在2019年的研究中证实双重下降现象同时存在于模型复杂度、训练时间和样本数量三个维度65% 相似待验证OpenAI、DeepMind等机构的研究表明模型性能随参数量、数据量和计算量的增加呈幂律提升（Scaling Law）63% 相似待验证瓶颈维度的选择本质上是信息压缩率与重构质量之间的权衡，对应率失真理论；Shannon于1959年证明对于给定失真容忍度存在理论最小编码率下界62% 相似待验证网关的自动重试和降级机制可能在主模型超时后降级到价格更高的备用模型，导致账单在无预警情况下翻数倍60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/693826API
curl https://kongchang.com/api/v1/knowledge/claims/693826MCP
get_claim(id=693826)