已过期50% 置信事实精确时间

模型微调（Fine-tuning）面临成本高、更新慢、存在灾难性遗忘风险等问题

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

此条事实已过期，仅作历史留存，不再代表当前状态

有效期至：2026/9/30(已过期)

来源

RAG系统开发全流程：数据预处理、向量检索与输出优化实战

bilibili吴恩达AIAgent2026/6/26

相关事实

待验证微调面临灾难性遗忘、过拟合和高数据质量要求等技术挑战。81% 相似待验证微调允许模型调整表征以更好服务下游任务，但需要更多标注数据和计算资源，且存在灾难性遗忘的风险76% 相似待验证将全量用户语句都交给大模型处理会同时导致延迟、成本、稳定性三大问题崩盘75% 相似待验证低价模型若推理能力不足会导致更多重试轮次，累计失败重试的隐性成本可能反超高价高效方案（「便宜模型反而更贵」悖论）74% 相似待验证模型能力增强时，过多的约束和提示词会浪费上下文预算并引发提示词漂移(prompt drift)，减少约束反而更好74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/40814

API

curl https://kongchang.com/api/v1/knowledge/claims/40814

MCP

get_claim(id=40814)