待验证50% 置信事实精确时间
直接对两个模型的参数做算术平均时，对应位置神经元可能承担不同功能，平均结果会破坏各自学到的特征表示，导致性能大幅下滑甚至退化至随机水平
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
待验证偶发性故障的内存条可能交替产生正确和错误的计算结果，导致神经网络训练中梯度计算偶发性偏差，影响模型收敛性且不触发硬件告警78% 相似待验证神经算子以自回归方式部署时，预测误差在空间和时间上分布极不均匀，而可用于局部修正的次数十分有限77% 相似已验证神经元对齐后两个网络之间的损失地景往往呈现线性模式，插值模型可保持相当性能，而朴素平均通常落入高损失的障碍区73% 相似待验证深度神经网络天然倾向于过拟合训练分布，对分布外样本的处理能力往往大幅下降72% 相似待验证神经网络中各层对精度损失的敏感程度差异显著，patch projection等输入投影层敏感度高，中间主干的注意力与FFN模块对低精度更鲁棒72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/987802API
curl https://kongchang.com/api/v1/knowledge/claims/987802MCP
get_claim(id=987802)