待验证50% 置信注意事项精确时间

为已有的VLM赋予生成能力时，往往会损害模型预训练积累的理解能力，出现灾难性遗忘（catastrophic forgetting）

1

来源数

50%

置信度

长期有效

时效性

2026/9/5

首次发现

来源

STARFlow2：归一化流如何统一多模态图文生成

涉及实体

视觉语言模型concept 灾难性遗忘concept

相关事实

待验证训练数据中的重复内容会导致模型记忆化和性能下降76% 相似待验证当生成模型反复在自身生成的数据上训练时，输出分布会逐渐退化，低概率事件被系统性遗忘74% 相似待验证模型微调的真正难点在于高质量训练数据的构建与清洗、防止灾难性遗忘，以及量化后的推理部署74% 相似待验证模型错误可归因于知识缺失、推理能力不足或指令跟随偏差，分别对应补充预训练数据、引入思维链训练数据和优化SFT数据分布等修复路径72% 相似待验证差分隐私训练、去重预处理和机器遗忘等缓解记忆化的技术方案均会在不同程度上牺牲模型性能72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/860365

API

curl https://kongchang.com/api/v1/knowledge/claims/860365

MCP

get_claim(id=860365)