待验证50% 置信事实精确时间

完整雅可比矩阵的计算代价是O(m×n)次前向传播，实际应用中研究者通常采用随机化SVD或Lanczos迭代等算法近似计算其低秩分解

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

雅可比透镜实战：用J-Space手动改造大语言模型行为

redditr/LocalLLaMA2026/7/11

相关事实

待验证处理非方阵成本矩阵的标准做法是通过填充（padding）用较大的哑成本值将矩阵补齐为方阵73% 相似待验证LoRA 利用 SVD 的低秩近似原理，将大型权重矩阵的增量更新分解为两个低秩矩阵的乘积，从而将可训练参数量从数十亿压缩至数百万量级64% 相似待验证质心追踪算法在做目标关联时需要构建N×M的距离矩阵，纯Python实现下计算开销随目标数量呈线性甚至平方级增长62% 相似待验证EKF-SLAM的计算复杂度为O(n²)，因为协方差矩阵维度随地标数量线性增长62% 相似待验证强行取极值样本会引入离群点，迫使SVM构建更复杂的决策边界，高阶poly核在这种数据上收敛更慢62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/501497

API

curl https://kongchang.com/api/v1/knowledge/claims/501497

MCP

get_claim(id=501497)