待验证50% 置信事实精确时间
2023年牛津大学Ilia Shumailov团队在Nature上发表研究系统阐述了模型崩溃效应，指出模型在自身生成数据上迭代训练相当于对原始数据分布有损压缩
1
来源数
50%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
均值回归：LLM如何悄然扼杀创新与多样性
hackernewshackernews2026/7/6
相关事实
已验证模型坍缩（Model Collapse）概念最早由牛津大学和剑桥大学研究团队在2023年论文《The Curse of Recursion: Training on Generated Data Makes Models Forget》中系统阐述79% 相似待验证领先模型若被用于生成训练数据，可能将自身偏差系统性地传递给下一代，即'模型坍塌'风险73% 相似待验证蒸馏训练范式导致开源模型学习到经过高度过滤、几乎不包含失败和纠错过程的数据分布，使模型形成不愿自我纠正的性格68% 相似待验证团队发现移除系统提示中的示例后模型效果反而提升，因为此前过度约束了模型66% 相似待验证若合成数据生成过程遗漏关键变量间的相关性，基于此训练的模型在真实部署环境中往往表现失常66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/170655API
curl https://kongchang.com/api/v1/knowledge/claims/170655MCP
get_claim(id=170655)