待验证50% 置信事实精确时间

Transformer 架构的模型参数在训练完成后即被固定，除非进行微调或持续预训练否则无法获取新知识

1

来源数

50%

置信度

长期有效

时效性

2026/8/23

首次发现

来源

LangChain入门教程：大模型为何需要这个框架

涉及实体

Transformerconcept

相关事实

已验证与RNN/LSTM架构相比，Transformer在训练时可以高度并行化，使训练数千亿参数的模型成为可能73% 相似待验证一项研究提出仅训练单个Transformer层，其效果就能与全参数RL训练相媲美72% 相似待验证单层Transformer训练可大幅降低显存占用，只需为单层维护梯度和优化器状态72% 相似待验证参数化知识固化在模型权重中，训练结束后无法在不重新训练的情况下更新；非参数化知识存储在外部数据库中，可随时增删改查71% 相似待验证Transformer、残差连接、批归一化等突破性架构与训练技巧均先在实践中被证明有效，理论解释往往滞后数年71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/789719

API

curl https://kongchang.com/api/v1/knowledge/claims/789719

MCP

get_claim(id=789719)