待验证50% 置信事实精确时间

2019年Belkin等人在PNAS上发表论文正式描述了双重下降现象，即当模型参数量超过插值阈值后测试误差反而开始下降

1

来源数

50%

置信度

长期有效

时效性

2026/8/13

首次发现

来源

泛化才是机器学习的核心：训练前决定成败的关键因素

相关事实

已验证双重下降现象表明，当模型参数量远超数据量时，测试误差反而可能再次下降75% 相似待验证双重下降现象不仅发生在模型规模维度，也可能出现在训练轮次（epochs）和数据量的变化中66% 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% 相似待验证跳过或简化校准步骤往往是低比特量化后模型质量大幅下滑的主因65% 相似待验证vLLM、TensorRT-LLM等推理框架通过批处理和KV Cache技术提升吞吐量，使百亿参数模型单次推理成本在近三年内下降了一个数量级65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/742534

API

curl https://kongchang.com/api/v1/knowledge/claims/742534

MCP

get_claim(id=742534)