待验证50% 置信基准精确时间
在 340M 和 1.3B 参数下训练的模型在语言建模困惑度和零样本准确率上匹配或超过 Gated DeltaNet 和 Mamba-2，并与同尺寸 Transformer 保持竞争力，且比线性循环具有更好的召回能力。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/30
首次发现
有效期至：2027/1/28
来源
涉及实体
相关事实
待验证正式模型使用 DictVectorizer 做 one-hot 编码（仅在训练集上 fit），逻辑回归设置 solver="liblinear"、C=1.0，验证集 AUC 为 0.732。70% 相似待验证在提示词不变的情况下，SymCE 训练的模型能力可迁移到 GSM8K、MATH-500 和 MMLU-college-math 等主流数学推理基准69% 相似已验证大语言模型优化的是代码看起来正确而非符合当前阶段需求，本质是预测下一个最可能token的概率统计机器，擅长复现训练语料高频模式68% 相似待验证在原型阶段选择岭回归等简单模型优于LSTM、XGBoost等复杂模型，因为可解释性和训练稳定性更重要，且小规模合成数据集下复杂模型容易过拟合67% 相似待验证在代码语料比例更高的混合数据集上训练的模型，在数学推理基准（如MATH、GSM8K）上的表现显著优于纯自然语言训练的同规模模型，这一结论获斯坦福大学和MIT的多项研究证实67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114899API
curl https://kongchang.com/api/v1/knowledge/claims/1114899MCP
get_claim(id=1114899)