MNIST
经典手写数字识别基准数据集，包含70000张28x28像素的灰度图像，分为10个数字类别（0-9），是机器学习入门和算法验证的标准测试集
核心事实
时间轴 (近 90 天)
实验仅在MLP上测试，仅使用MNIST和FashionMNIST数据集，训练时间短，只测试了一种宽度，尚未涉及CNN或Transformer架构。
在次要测试中，χ1设为1.03的SPreCap-e03在100层MNIST上取得了5.28%的测试错误率，而SELU为6.36%，Holm校正后的p值为0.0064，15个种子中有13个种子表现更好。
在仅用NumPy实现MNIST上训练的CNN并可视化任务中，三个模型（Kimi K3.1 Pro、Opus 5.5、DeepSeek V4.1 Flash）均成功完成任务。
MNIST和CIFAR-10数据集在教程中已经非常普遍，缺乏区分度。
MNIST常被称作深度学习的“Hello World”。
在AI应届生简历筛选中，MNIST类入门项目通常被视为“练习”而非“作品”，其信号价值远低于涉及真实场景、复杂流程或部署落地的项目。
实验采用EMNIST字母与MNIST数字数据集，通过条件重采样EMNIST字母使其保形分数与MNIST数字完全匹配，构造出一个与原始分布支撑不相交却使CTM完全失明的分布漂移。
作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
MYOPIA 基准包含四棵由 LLM 生成、经人工打磨的决策树，分别对应 GTSRB、MNIST、CIFAR-10 和 MSCOCO 数据集。
作者在完整MNIST基准上测试了从D=7,850到D=4,203,522（约420万参数）的多种视觉架构。
还有 21 条时间轴事件
全部知识事实 (20)
MNIST数据集包含6万张训练图像和1万张测试图像，每张都是28×28像素的手写数字灰度图
65%已验证在MNIST数据集上简单的全连接网络能达到98%以上的准确率，卷积网络可轻松超过99.5%
65%待验证招聘经理每天看到大量以'泰坦尼克号生存预测'或'MNIST手写识别'为主题的简历，这类教程项目已无法证明能力
70%待验证实验仅在MLP上测试，仅使用MNIST和FashionMNIST数据集，训练时间短，只测试了一种宽度，尚未涉及CNN或Transformer架构。
50%待验证在次要测试中，χ1设为1.03的SPreCap-e03在100层MNIST上取得了5.28%的测试错误率，而SELU为6.36%，Holm校正后的p值为0.0064，15个种子中有13个种子表现更好。
50%待验证MNIST和CIFAR-10数据集在教程中已经非常普遍，缺乏区分度。
50%待验证在AI应届生简历筛选中，MNIST类入门项目通常被视为“练习”而非“作品”，其信号价值远低于涉及真实场景、复杂流程或部署落地的项目。
50%待验证MNIST常被称作深度学习的“Hello World”。
50%待验证作者通过在不同架构（如全连接网络、卷积网络、残差网络）和数据集（如MNIST、CIFAR-10、ImageNet子集）上的实证研究发现训练过程会持续扩展射线覆盖范围，尤其是在雅可比奇异值较小的方向上。
50%待验证MYOPIA 基准包含四棵由 LLM 生成、经人工打磨的决策树，分别对应 GTSRB、MNIST、CIFAR-10 和 MSCOCO 数据集。
50%待验证当前验证仍局限于MNIST和相对较小的视觉架构，该方法能否扩展到Transformer等更复杂架构仍需进一步探索。
50%待验证实验中经典权重空间界随参数量增加迅速膨胀，在最大模型上超过940%，完全失效。
50%待验证数据空间DP-PAC-Bayes证书在全部模型规模上保持稳定，认证值位于8.8%–9.4%区间。
50%待验证ALD 在 MNIST 和 CelebA64 上的生成质量得到验证，并用于 CIFAR-10LT 的数据增强任务。
50%待验证在CPU上用NumPy实现一个可训练的Transformer或手写MLP并跑通MNIST是可行的，许多教学项目就是这样做的。
50%待验证最新研究通过完整复现实验发现，训练集大小与 Q-FLAIR 最终收敛的电路规模之间不存在可预测的关系。
50%待验证复现实验的任务是在全分辨率（784 像素）的 MNIST 数据集上进行 3 与 5 的二分类，训练集规模 N 从 2000 到 10000 设置五档。
50%待验证在 MNIST 手写数字和 Oxford-IIIT Pet 数据集上，DI-SCUSUM 在可比误报水平下展现出比 SCUSUM 更低的条件检测延迟。
50%待验证在MNIST CNN任务中，MaRN将可训练参数从107,998个压缩到1,872个（约57.7倍），保持91.80%准确率
50%待验证该手写MLP模型在完整MNIST训练集上能达到约98.5%的准确率
50%