待验证50% 置信事实精确时间

在相同数据上训练的真实模型中，BPB与下游任务表现的相关性很弱。

1

来源数

50%

置信度

长期有效

时效性

2026/11/4

首次发现

来源

Tokenizer三大迷思：BPB指标真的可靠吗？

涉及实体

相关事实

已验证在后训练阶段，过低的损失可能对应过拟合，即模型死记硬背训练数据而丧失泛化能力68% 相似待验证里夫和卡比尔变体子集规模极小，对训练覆盖全部变体的模型而言是明显短板66% 相似待验证在现实场景中，源训练集与目标测试集很少同分布。66% 相似待验证第一轮随机任务训练分数提升很小，因为大量训练时间浪费在模型稳定做对或做错的样本上。66% 相似待验证论文发现下游任务的排名与训练损失的排名并不一致，训练损失更低的方案未必在下游评测中表现更好66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1134078

API

curl https://kongchang.com/api/v1/knowledge/claims/1134078

MCP

get_claim(id=1134078)