待验证50% 置信事实精确时间

该项目采用多损失联合训练策略，包含交叉熵损失、Pull拉近损失、Push推远损失和Diversity多样性损失四个部分

1

来源数

50%

置信度

长期有效

时效性

2026/9/1

首次发现

来源

595K参数实现51%准确率：原型网络轻量化与可解释性实践

涉及实体

Signature-painterproduct

相关事实

待验证Anthropic研究员最早在2020年提出预训练损失与计算量之间存在幂律关系（扩展律）63% 相似待验证IMGNet提出度量-损失对齐（metric-loss alignment）假设：相似度度量应与训练目标协同设计，而非默认余弦相似度61% 相似待验证训练-部署鸿沟指模型因训练与部署环境的数据分布偏移、软件依赖版本差异或硬件指令集不同而导致的性能下降60% 相似待验证专家负载不均衡是MoE最典型的训练难题，可能导致'专家崩溃'现象，通常引入辅助负载均衡损失或Token丢弃策略解决60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/837576

API

curl https://kongchang.com/api/v1/knowledge/claims/837576

MCP

get_claim(id=837576)