待验证50% 置信事实精确时间
FNO具有分辨率不变性，训练时使用低分辨率网格，推理时可直接迁移到更精细的网格
1
来源数
50%
置信度
长期有效
时效性
2026/10/7
首次发现
来源
涉及实体
相关事实
待验证显存往往比纯算力更能决定能跑哪些模型和出多大分辨率的图69% 相似待验证移动端NPU更擅长处理固定形状的CNN推理，而LLM的自注意力机制具有动态形状的计算图特性，导致CPU+GPU混合推理往往比纯NPU方案更成熟68% 相似待验证属性泄漏与扩散模型中交叉注意力图谱的空间分辨率限制密切相关，在U-Net或DiT架构中低分辨率层捕捉全局语义、高分辨率层负责局部细节68% 相似待验证NeRF（神经辐射场）通过训练神经网络将空间坐标与视角方向映射为颜色和体积密度实现新视角渲染，但训练与推理速度相对较慢67% 相似待验证研究表明Transformer架构中注意力层（Q/K/V投影和输出投影）对精度损失更敏感，而FFN线性层对低精度表示鲁棒性更强，嵌入层和LayerNorm层通常保留高精度67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/983243API
curl https://kongchang.com/api/v1/knowledge/claims/983243MCP
get_claim(id=983243)