待验证50% 置信事实精确时间
连续扩散路线的代表工作Diffusion-LM（Li et al., 2022）通过端到端训练嵌入层和引入clamping技巧来缓解离散化误差问题
1
来源数
50%
置信度
长期有效
时效性
2026/9/1
首次发现
来源
涉及实体
相关事实
待验证FrugalGPT（Chen et al., 2023）和LLM-Blender等框架试图通过训练专用路由分类器来平衡准确性与开销74% 相似待验证权重归一化技术将权重向量分解为方向与模长两个独立分量分别优化，可显著改善训练稳定性70% 相似待验证后训练优化包括指令微调、RLHF或DPO策略调整、系统提示词工程改进及工具调用和多模态融合能力强化69% 相似待验证当前主流 LLM 采用指令遵循（Instruction Following）训练方式，会用概率最高的方式补全输出68% 相似待验证延迟解耦(Delayed Untying)的核心思想是：训练前2/3阶段将embed与lm_head绑定共享，到达某个节点后复制权重和优化器状态，然后让二者作为独立参数分别训练67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/837833API
curl https://kongchang.com/api/v1/knowledge/claims/837833MCP
get_claim(id=837833)