待验证50% 置信事实精确时间

困惑度是验证集损失的指数形式，即 PPL = e^loss

1

来源数

50%

置信度

长期有效

时效性

2026/9/12

首次发现

来源

NanoGPT Speedrun：大模型训练效率的极限竞速指南

涉及实体

困惑度concept

相关事实

待验证该算法的损失函数包含三个部分：Focal Loss（正负样本均衡）、相似性损失（相邻点一致性约束）和形状损失（二阶平滑约束）67% 相似待验证若数据噪声服从拉普拉斯分布，最优损失函数变为L1（绝对值误差）65% 相似待验证行为克隆的分布偏移问题会导致误差累积,经过T步后期望总损失为O(εT²)而非线性的O(εT)65% 相似待验证Q4_K_M量化相比FP16的困惑度（Perplexity）损失通常在1%~3%以内64% 相似待验证常见的对比学习损失函数包括 NT-Xent Loss 和 Triplet Loss63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/910673

API

curl https://kongchang.com/api/v1/knowledge/claims/910673

MCP

get_claim(id=910673)