待验证50% 置信事实精确时间

Diffusion-LM的训练目标包含三项损失：扩散去噪损失、嵌入匹配项和取整损失

1

来源数

50%

置信度

长期有效

时效性

2026/9/2

首次发现

来源

Diffusion-LM精读：扩散模型如何实现细粒度文本可控生成

涉及实体

Diffusion-LMconcept

相关事实

待验证MRL在训练时同时优化多个维度层级的损失函数，总损失是各粒度损失的加权和74% 相似待验证分散损失是一种在训练目标中显式加入约束项、鼓励嵌入向量在空间中尽可能散开的正则化方法，用于对抗小语言模型中的嵌入坍缩70% 相似待验证混合精度训练通常配合损失缩放（Loss Scaling）技术使用，以防止梯度在 FP16 表示范围内消失68% 相似待验证低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化66% 相似已验证仅用成功轨迹训练的模型往往存在分布外泛化的严重缺陷，遇到工具返回错误时便丧失纠偏能力66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/843369

API

curl https://kongchang.com/api/v1/knowledge/claims/843369

MCP

get_claim(id=843369)