Unverified50% confidenceTradeoffExact time
递归训练大量使用以任务完成率、代码运行结果为奖励信号，缺乏对叙事一致性的显式监督，可能导致语言建模通用能力的灾难性遗忘，在小参数量模型上更明显
1
Sources
50%
Confidence
Long-term
Relevance
9/16/2026
First Seen
Sources
Related Entities
Related Claims
Unverified单纯堆砌参数而训练数据不足会导致模型大而不强，参数跃升需配合同步扩大的训练语料与算力才能兑现能力增益79% similarUnverified对于代码错误代价极高且高质量训练语料稀缺的领域，针对性训练的中小模型可能比调用最强通用模型更划算可靠78% similarUnverified系统提示的语义等价转译困难，因为不同模型预训练接触的指令格式和强化学习反馈数据各异，相同指令措辞在不同模型上触发的行为可能大相径庭77% similarUnverified大语言模型具有涌现能力（Emergent Abilities），当模型参数规模和训练数据量达到一定阈值后，会突然展现出训练目标中未明确要求的能力，如幽默感、隐喻运用、场景共情等77% similarUnverified随着预训练模型规模扩大，许多曾经有效的显式知识注入技巧逐渐失效甚至产生负面效果76% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/924346API
curl https://kongchang.com/api/v1/knowledge/claims/924346MCP
get_claim(id=924346)