待验证50% 置信事实精确时间

应对局部最优的经典优化策略包括模拟退火（以概率接受劣解）、遗传算法（通过种群多样性和交叉变异）、禁忌搜索（记录已访问状态避免循环）

1

来源数

50%

置信度

长期有效

时效性

2026/8/11

首次发现

来源

LifeOS：用AI爬山算法优化人生的开源框架

相关事实

已验证缓解LLM裁判不稳定的策略包括多次采样取众数、使用多个裁判模型交叉验证、设计更精细的评分维度以及保留人工复核环节70% 相似待验证应对长尾分布的常见策略包括过采样（如SMOTE）、欠采样、类别权重调整、Few-shot Learning及利用大模型零样本能力兜底69% 相似待验证潜在空间寻优是高维黑箱优化问题，常用策略包括贝叶斯优化、进化算法和基于梯度的方法69% 相似待验证应对域偏移的常见策略包括少量标注数据的微调、无监督域适应以及测试时增强67% 相似待验证核心优势是多城市跨区限行的人工逐城核查准确度高，但代价是响应速度慢于算法自动规划工具67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/731304

API

curl https://kongchang.com/api/v1/knowledge/claims/731304

MCP

get_claim(id=731304)