Unverified50% confidenceSolutionExact time
困难负样本挖掘的核心思想是引入处于分类边界附近的样本以推动决策边界精细化，使模型学习深层语义特征而非表面关键词模式
1
Sources
50%
Confidence
Long-term
Relevance
8/31/2026
First Seen
Sources
Related Entities
Related Claims
Unverified原始边界框坐标需转换为模型专用的 token 表示，任何格式偏差都可能导致模型无法正确学习定位能力70% similarUnverified先前的难负样本挖掘工作大多忽略非干扰项，只关注与查询的相似度，因而更易误选假负样本69% similarUnverified基于模型内部特征的推断方法面临误报与漏报的权衡69% similarUnverifiedRAG方案的核心痛点在于检索即损失，切块过程会截断跨段落逻辑链条导致全局推理任务出现幻觉，而长上下文方案可直接全文理解68% similarUnverified在因子挖掘场景中，候选因子需要携带统计显著性、数据覆盖率等元信息传递给回测智能体以便做出合理评估66% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/831119API
curl https://kongchang.com/api/v1/knowledge/claims/831119MCP
get_claim(id=831119)