待验证50% 置信事实精确时间

编辑局部性衡量模型在执行局部修改指令时保持其余区域不变的能力，许多扩散模型会因全局重采样导致主体微小变形或语义漂移

1

来源数

50%

置信度

长期有效

时效性

2026/9/28

首次发现

来源

GPT-Image-2.5 vs Nano Banana 2：图像生成管线的双模型分工实战

涉及实体

编辑局部性concept 语义漂移concept

相关事实

待验证微调能深层改变模型的行为模式，而提示工程只能在模型现有能力的边界内进行调度74% 相似已验证LIME通过在目标样本周围构造扰动数据集，训练局部可解释的线性模型来近似复杂模型的局部行为72% 相似待验证每当模型升级，此前沉淀的提示词技巧往往需要重新校准，因为新模型的行为特征、默认倾向和推理方式都可能发生变化71% 相似待验证裁判模型应在模型版本升级和输入分布漂移这两个触发条件下强制重新校准70% 相似待验证扩散模型通过全局并行生成和迭代修正，能从根本上规避自回归模型的「曝光偏差」（Exposure Bias）累积错误问题70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/956906

API

curl https://kongchang.com/api/v1/knowledge/claims/956906

MCP

get_claim(id=956906)