Verified65% confidenceFactExact time
Focal Loss的核心是引入调制因子(1-p_t)^γ，γ通常设为2，使模型训练注意力自动聚焦到难分类样本
3
Sources
65%
Confidence
Medium-term (~90 days)
Relevance
7/2/2026
First Seen
Valid until: 9/30/2026
Sources
深度学习车道线检测：分割转分类实现300+FPS实时推理
bilibili论文发刊罗小黑6/12/2026
Related Claims
UnverifiedALiBi（线性偏置位置编码）允许模型在推理时泛化到训练时未见过的更长序列，Flash Attention 通过分块计算大幅降低显存占用69% similarUnverified文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑68% similarVerified现代量化方案如GPTQ、AWQ引入逐层校准和误差补偿机制，将困惑度损失控制在1–2%以内67% similarUnverified模型在大海捞针测试中对中间位置信息的检索能力明显弱于首尾位置，这被称为注意力沉降现象67% similarUnverifiedPrompt中token数量过多会稀释注意力机制的聚焦能力，降低每个描述的实际影响力66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/42663API
curl https://kongchang.com/api/v1/knowledge/claims/42663MCP
get_claim(id=42663)