Unverified50% confidenceOpinionExact time
数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降
1
Sources
50%
Confidence
Long-term
Relevance
8/25/2026
First Seen
Sources
Related Entities
Related Claims
Unverified在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减78% 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78% similarUnverified单纯增加模型参数和训练数据的边际收益正在递减，即'Scaling Law放缓'现象77% similarUnverified近似遗忘通过梯度上升等方法主动削弱特定数据对模型参数的影响，但效果难以量化验证77% similarUnverified样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域75% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/797141API
curl https://kongchang.com/api/v1/knowledge/claims/797141MCP
get_claim(id=797141)