待验证50% 置信事实精确时间

双重下降现象不仅发生在模型规模维度，也可能出现在训练轮次（epochs）和数据量的变化中

1

来源数

50%

置信度

长期有效

时效性

2026/8/6

首次发现

来源

双重下降现象详解：为何超大模型反而不过拟合

相关事实

已验证双重下降现象表明，当模型参数量远超数据量时，测试误差反而可能再次下降79% 相似待验证文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑78% 相似待验证OpenAI在2019年的研究中证实双重下降现象同时存在于模型复杂度、训练时间和样本数量三个维度76% 相似待验证在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减75% 相似待验证单纯增加模型参数和训练数据的边际收益正在递减，即'Scaling Law放缓'现象75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/694693

API

curl https://kongchang.com/api/v1/knowledge/claims/694693

MCP

get_claim(id=694693)