待验证50% 置信权衡取舍精确时间
大模型生成的边界框往往在语义层面正确但在像素精度上存在偏差，直接用于训练可能引入噪声标签
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证差分隐私（DP）通过对训练梯度进行裁剪并注入校准的高斯噪声，使任何单条训练数据的存在与否对模型输出的影响可被数学上界定71% 相似待验证自回归模型存在暴露偏差（exposure bias）问题，训练时看到真实前缀但推理时面对自己生成的错误前缀导致误差累积70% 相似已验证大模型幻觉产生的三大原因是训练数据噪声、概率优先机制和数据时效性不足68% 相似待验证样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域68% 相似待验证高偏差意味着模型过于简单导致欠拟合，高方差意味着模型学入噪声导致过拟合，两者往往此消彼长68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/900938API
curl https://kongchang.com/api/v1/knowledge/claims/900938MCP
get_claim(id=900938)