Unverified50% confidenceFactExact time
对于有限VC维d的假设类，O((d + log(1/δ))/ε)量级的样本即可实现PAC可学习
1
Sources
50%
Confidence
Long-term
Relevance
7/15/2026
First Seen
Sources
Related Claims
UnverifiedMLA通过低秩分解将KV Cache显存开销从O(n·d_model)压缩到O(n·d_latent)，其中d_latent约为d_model的1/866% similarUnverifiedPAC学习理论证明了在一定条件下，只要训练样本足够多，学习到的模型就能以高概率近似正确地预测新数据60% similarUnverified引入KV Cache可将自回归生成的计算复杂度从O(N²)降为O(N)59% similarUnverified模型对所有Token计算原始得分Logit后，通过Softmax函数将得分归一化为概率分布，所有Token的概率之和等于159% similarUnverified大模型推理阶段是memory-bound（内存带宽受限），每生成一个Token需从显存读取整个模型权重，计算强度极低59% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/520682API
curl https://kongchang.com/api/v1/knowledge/claims/520682MCP
get_claim(id=520682)