待验证50% 置信观点精确时间

数据规模的增长并不等同于有效学习信号的增长，在模型能力提升到一定阈值后简单堆砌样本的收益会急剧下降

1

来源数

50%

置信度

长期有效

时效性

2026/8/25

首次发现

来源

后训练数据困境：数量还是质量？合成数据的边际效用递减

涉及实体

后训练concept

相关事实

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78% 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77% 相似待验证近似遗忘通过梯度上升等方法主动削弱特定数据对模型参数的影响，但效果难以量化验证77% 相似待验证样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/797141

API

curl https://kongchang.com/api/v1/knowledge/claims/797141

MCP

get_claim(id=797141)