待验证50% 置信解决方案精确时间
温度缩放通过在softmax之前将logit值除以可学习的标量参数T来校准模型，T大于1软化概率分布，T小于1使分布更尖锐，无需重新训练主模型
1
来源数
50%
置信度
长期有效
时效性
2026/9/29
首次发现
来源
涉及实体
相关事实
待验证Softmax函数具有平移不变性，任意放大所有logit的尺度不改变预测类别，却会将输出概率压向极端值，是其天然的过度自信倾向69% 相似待验证Softmax输出的概率值并不等同于真实的贝叶斯后验概率，而是被过度优化以拉开类别间距，导致预测概率系统性偏高68% 相似待验证温度超参数τ越小分布越集中，模型对难负样本越敏感，但τ过小会导致梯度对异常值敏感、训练不稳定67% 相似待验证Hinton在原始论文中引入温度参数T来控制概率分布的柔软程度，T越高分布越平滑，类间相似关系暴露越充分，这些类间关系被称为暗知识（Dark Knowledge）66% 相似已验证温度参数越高，Softmax输出的概率分布越平坦，输出越富有创意和多样性；温度越低分布越尖锐，输出越确定保守64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/958811API
curl https://kongchang.com/api/v1/knowledge/claims/958811MCP
get_claim(id=958811)