Unverified50% confidenceTradeoffExact time
过于激进的上下文修剪可能导致模型遗忘重要前置条件，过于保守则无法实现有效token节省
1
Sources
50%
Confidence
Long-term
Relevance
8/27/2026
First Seen
Sources
Related Entities
Related Claims
Unverified过于激进的LLM路由会将复杂推理错判为简单闲聊导致输出质量下降，过于保守则失去成本节约意义79% similarUnverified模型能力增强时，过多的约束和提示词会浪费上下文预算并引发提示词漂移(prompt drift)，减少约束反而更好76% similarVerified过度的安全微调会导致模型过度拒绝（over-refusal），损害实用性72% 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71% similarUnverified模型微调（Fine-tuning）面临成本高、更新慢、存在灾难性遗忘风险等问题71% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/808021API
curl https://kongchang.com/api/v1/knowledge/claims/808021MCP
get_claim(id=808021)