待验证50% 置信事实精确时间

DRET 1.x 通过统一分词器合并（tokenizer-merge）合并不同模型的词表，解决嵌入空间无法直接对齐的障碍

1

来源数

50%

置信度

长期有效

时效性

2026/9/6

首次发现

来源

DRET：蒸馏式嵌入迁移让轻量模型逼近生物医学专家级性能

涉及实体

DRET 1.xconcept

相关事实

待验证DRET 采用嵌入级迁移，直接操作词嵌入矩阵，将教师模型训练好的词向量移植到学生模型中，无需教师模型参与推理过程66% 相似待验证通过将模糊的风格描述拆解为具体设计参数（如无衬线字体、大量留白等），可以大幅收窄大语言模型的输出空间，提升结果一致性和可控性61% 相似待验证早期的离散扩散语言模型如 MDLM、SEDD 通过在 Token 嵌入空间或掩码空间中定义扩散过程来解决文本离散性挑战61% 相似待验证近义词归一化可通过Sentence-BERT等句嵌入模型将词语映射为稠密向量，再通过余弦相似度计算语义接近程度60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/865897

API

curl https://kongchang.com/api/v1/knowledge/claims/865897

MCP

get_claim(id=865897)