待验证50% 置信事实精确时间

DINO、MoCo v3 等自监督视觉表征学习方法均采用了 EMA 教师机制，并证明其对防止训练崩塌有显著作用

1

来源数

50%

置信度

长期有效

时效性

2026/10/7

首次发现

来源

UniEvo-VL：自蒸馏训练如何让多模态模型自我进化

涉及实体

DINOconcept MoCo v3concept EMAconcept

相关事实

待验证HY3引入了改进的抗幻觉技术、更可靠的工具调用能力，并使用更高质量后训练数据和强化的强化学习策略65% 相似待验证在视觉对齐训练阶段冻结LLM主干参数、分阶段训练、数据配比回放和LoRA等方法可缓解多模态训练中的灾难性遗忘问题63% 相似待验证JEPA架构使用指数移动平均（EMA）教师网络机制来避免表征坍塌问题63% 相似待验证fal使用新数据集对H3 Max进行后训练，重点强化了提示词遵循能力和视觉质量表现62% 相似待验证CIM的训练依赖成对信号，融合三种互补监督来源：观测到的工具行为、贝叶斯工具图模拟器、LLM语义判断62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/982697

API

curl https://kongchang.com/api/v1/knowledge/claims/982697

MCP

get_claim(id=982697)