待验证50% 置信事实精确时间

Burn的内核融合路径在数十亿参数规模下会在训练中途段错误（segfault）崩溃

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/23

首次发现

有效期至：2026/12/22

来源

用纯Rust训练语言模型：164美元实验背后的框架陷阱

涉及实体

相关事实

待验证朴素训练后量化会导致单个权重误差在多层网络中累积放大，即复合误差，在2位或1位精度下模型结构会崩溃63% 相似已验证仅用成功轨迹训练的模型往往存在分布外泛化的严重缺陷，遇到工具返回错误时便丧失纠偏能力63% 相似待验证剪枝、量化、蒸馏三类方法普遍面临压缩后模型精度下降明显、需要大规模再训练来恢复性能的问题63% 相似待验证处于能力边界上的失败样本往往才是推动模型进步的最佳燃料，而非完全正确的样本63% 相似待验证作者记录了Candle的五个缺陷和Burn的三个缺陷，作为训练后端时暴露的问题63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/942819

API

curl https://kongchang.com/api/v1/knowledge/claims/942819

MCP

get_claim(id=942819)