待验证50% 置信基准精确时间

研究者只用高资源语言训练整合器后迁移到训练中未见过的语言上，结果保留率高达0.99

1

来源数

50%

置信度

长期有效

时效性

2026/9/24

首次发现

来源

LexLattice：用神经细胞自动机重塑多语言法律摘要

涉及实体

LexLatticeproduct

相关事实

待验证具备大规模语言模型预训练经验的研究员全球不超过数百人，供给极度稀缺74% 相似待验证多语言预训练模型如mBERT、XLM-R展现出跨语言零样本迁移能力，即便某些语言训练中从未与其他语言平行语料共同出现70% 相似已验证许多模型的安全对齐在非英语语言中表现显著下降，低资源语言尤其容易被利用，因为RLHF对齐训练的人类标注数据高度集中在英语上67% 相似待验证斯坦福HAI研究所2023年报告指出，大型语言模型经过特定行业数据训练后，其生成能力可在零样本条件下迁移至相邻垂直领域67% 相似待验证相比训练模型或微调，编写 Skills 的门槛更低，因为它本质上仍是自然语言提示词67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/946227

API

curl https://kongchang.com/api/v1/knowledge/claims/946227

MCP

get_claim(id=946227)