待验证50% 置信基准精确时间
在训练样本量从 10^5 到 10^6 的匹配训练条件下，ΦasmaNet 在与 MLP、1D-ResNet 和 Transformer-encoder 等基线模型的对比中均表现出优势。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/4
首次发现
有效期至：2027/2/2
来源
涉及实体
相关事实
待验证在受控单次预训练对比实验中，使用Edu-QuRating筛选混合集训练的模型在九项基准测试上的整体观测准确率高于FineWeb-Edu基线模型，且性能提升集中在特定任务上72% 相似待验证只训练分类头（冻结全部 backbone）适合样本量在几百到几千级别、且类别与 ImageNet 语义相近的场景，但模型对域偏移的适应能力几乎为零。71% 相似待验证论文通过控制实验（同一MLP架构、相同超参数搜索空间和训练轮数，仅输入表示不同）证明，Assur导出的特征在样本效率上具有几何平均1.8倍的优势，覆盖50到10000个机构的训练预算。71% 相似待验证在能力匹配的IOI任务上，当忠实度低于85%时，标准训练模型的电路规模领先或与鲁棒模型持平69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1134732API
curl https://kongchang.com/api/v1/knowledge/claims/1134732MCP
get_claim(id=1134732)