待验证50% 置信事实精确时间
后训练阶段的权重压缩会在不同人群之间重新分配错误负担，直接修改模型参数从而影响公平性
1
来源数
50%
置信度
长期有效
时效性
2026/9/25
首次发现
来源
涉及实体
相关事实
待验证传统草稿模型针对单一目标模型在狭窄分布上训练，工作负载变化时接受率会急剧下降，且每更换一个目标模型就必须重新完成整个预训练过程75% 相似待验证在后训练阶段，过低的损失可能对应过拟合，即模型死记硬背训练数据而丧失泛化能力73% 相似待验证深度监督在语义分割任务中通常以主损失加权求和辅助损失的形式实现，辅助损失权重在训练后期往往逐步衰减73% 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72% 相似已验证MoE训练时通常需引入辅助损失强制负载均衡，否则会形成少数Expert富者愈富的马太效应导致大多数Expert退化为死代码71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/949153API
curl https://kongchang.com/api/v1/knowledge/claims/949153MCP
get_claim(id=949153)