已验证80% 置信事实精确时间
前沿模型存在涌现能力，即在达到某个参数规模阈值后突然展现出训练目标中未明确包含的能力
4
来源数
80%
置信度
长期有效
时效性
2026/9/6
首次发现
来源
涉及实体
相关事实
已验证单纯堆砌参数而训练数据不足会导致模型大而不强，参数跃升需配合同步扩大的训练语料与算力才能兑现能力增益79% 相似待验证大模型进入后预训练时代后，单纯堆砌参数带来的能力收益愈发递减，厂商转向后训练阶段寻求突破79% 相似已验证涌现能力指模型在规模达到一定阈值后突然表现出训练阶段未被明确设计的能力，这一现象最早由Google Research团队在2022年系统性地描述78% 相似待验证缺乏约束的基础prompt会导致模型回退到训练数据中最常见的平均态输出，而个性化深度的prompt可显著提升输出独特性77% 相似已验证对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/866923API
curl https://kongchang.com/api/v1/knowledge/claims/866923MCP
get_claim(id=866923)