Unverified50% confidenceTradeoffExact time
更复杂的模型通常有更多可调参数，因此在超参数搜索中获得更大的调参红利，导致不公平对比
1
Sources
50%
Confidence
Long-term
Relevance
8/21/2026
First Seen
Sources
Related Claims
Unverified随着大模型推理能力增强，单次调用消耗的token显著攀升，在固定用量限制下形成「更强模型」与「更快触及上限」的悖论75% similarUnverified小模型比大模型更易发生嵌入坍缩，原因包括参数容量有限、优化捷径倾向和各向异性问题被放大72% similarUnverified在紧接地模式中重排序几乎是必选项，因为错误检索带来的风险远大于额外延迟的代价70% similarUnverified优质Prompt在大多数场景下比微调更高效，在数据量不足或需求模糊的阶段贸然做微调往往事倍功半69% similarUnverified增加推理次数会带来更高的计算成本，但换取了单次任务复杂度的降低，这是分组抽取策略的权衡69% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/784013API
curl https://kongchang.com/api/v1/knowledge/claims/784013MCP
get_claim(id=784013)