待验证50% 置信事实精确时间

该近似误差与模型容量无关，即便用无限数据训练出完美的边缘分布预测器，并行写入存在依赖的多个位置时乘积近似仍必然偏离联合分布

1

来源数

50%

置信度

长期有效

时效性

2026/10/2

首次发现

来源

离散扩散模型的置信度困境：为何并行生成会偏离真实分布

涉及实体

离散扩散concept

相关事实

待验证来自同一模型的克隆副本共享几乎相同的权重、训练数据和归纳偏差，其误差高度相关，无法通过平均消除系统性偏差79% 相似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75% 相似待验证一步只写入一个或条件独立的位置时理论上可以精确匹配分布，写入越多依赖位置误差越积累73% 相似待验证研究团队证明学习分布与真实分布之间的总变差距离可分解为初始化误差、Score误差和求解器离散化误差三项73% 相似待验证实际部署中因并行计算的浮点非确定性可能产生细微差异并随链式生成放大73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/968475

API

curl https://kongchang.com/api/v1/knowledge/claims/968475

MCP

get_claim(id=968475)