判别式模型
判别式模型是一类直接对预设候选项计算后验概率的模型，与生成式模型相对，常用于路由、内容审核、相关性排序等需要结构化输出的场景，延迟低且输出天然可比较
核心事实
时间轴 (近 90 天)
从计算复杂度角度看，判别式模型与生成式模型的两类任务（不可知学习与多精度）是等价的。
判别式模型（如人脸检测、闭眼分类器）只负责判断“是否闭眼”，输出的是标签或概率。
Clef将决策问题建模为多标签分类或条件概率预测，而非自回归文本生成，思路接近BERT时代的判别式模型
判别式模型通常参数规模更小、推理速度更快、显存占用更低，适合部署在资源受限的本地环境
判别式模型学习给定输入输出属于哪个类别或概率，典型代表包括 BERT 及其微调变体
生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，而判别式模型直接建模条件概率 P(y|x)；生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好
生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，判别式模型直接建模条件概率 P(y|x)，该区分最初由 Andrew Ng 和 Michael Jordan 在 2001 年的论文中系统比较
生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好
全部知识事实 (8)
判别式模型通常参数规模更小、推理速度更快、显存占用更低，适合部署在资源受限的本地环境
65%待验证生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好
60%待验证从计算复杂度角度看，判别式模型与生成式模型的两类任务（不可知学习与多精度）是等价的。
50%待验证判别式模型（如人脸检测、闭眼分类器）只负责判断“是否闭眼”，输出的是标签或概率。
50%待验证Clef将决策问题建模为多标签分类或条件概率预测，而非自回归文本生成，思路接近BERT时代的判别式模型
50%待验证判别式模型学习给定输入输出属于哪个类别或概率，典型代表包括 BERT 及其微调变体
50%待验证生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，而判别式模型直接建模条件概率 P(y|x)；生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好
50%待验证生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，判别式模型直接建模条件概率 P(y|x)，该区分最初由 Andrew Ng 和 Michael Jordan 在 2001 年的论文中系统比较
50%