已验证65% 置信观点精确时间

样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域

3

来源数

65%

置信度

长期有效

时效性

2026/8/25

首次发现

来源

后训练数据困境：数量还是质量？合成数据的边际效用递减

涉及实体

最近发展区concept Curriculum Learningconcept

相关事实

待验证高偏差意味着模型过于简单导致欠拟合，高方差意味着模型学入噪声导致过拟合，两者往往此消彼长78% 相似待验证仅靠增大模型规模或延长训练时长并不能自动解决难题被忽视的问题，根本原因在于信号本身的缺失75% 相似待验证数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降75% 相似已验证过拟合是指模型在训练数据上表现优异，但在未见过的测试数据上性能大幅下降的现象75% 相似待验证复杂模型并不总是优于简单方法，在数据量有限、噪声大的实际业务场景中，规则引擎或简单统计检验往往更可靠、更可解释74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/797143

API

curl https://kongchang.com/api/v1/knowledge/claims/797143

MCP

get_claim(id=797143)