Unverified50% confidenceSolutionExact time
处于能力边界上的失败样本往往才是推动模型进步的最佳燃料，而非完全正确的样本
1
Sources
50%
Confidence
Long-term
Relevance
9/5/2026
First Seen
Sources
Related Entities
Related Claims
Verified仅用成功轨迹训练的模型往往存在分布外泛化的严重缺陷，遇到工具返回错误时便丧失纠偏能力77% similarUnverified模型性能的瓶颈不仅在于参数量，更在于表示的质量，嵌入空间坍缩的模型即使参数再多也无法充分发挥潜力74% similarUnverified面对不同失败模式应采取不同数据合成策略：错误工具调用则合成对应失败轨迹强化，长任务表现挣扎则生成多步骤轨迹，过度使用工具则通过评分筛选优化调用效率74% similarUnverified过拟合是量化策略开发中最常见的陷阱，可能导致回测表现优异但实盘亏损严重73% similarUnverified模型错误可归因于知识缺失、推理能力不足或指令跟随偏差，分别对应补充预训练数据、引入思维链训练数据和优化SFT数据分布等修复路径72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/860341API
curl https://kongchang.com/api/v1/knowledge/claims/860341MCP
get_claim(id=860341)