待验证50% 置信事实精确时间
更新参数记忆需要微调或持续预训练，两者都需要额外的训练流程和计算资源
1
来源数
50%
置信度
长期有效
时效性
2026/9/6
首次发现
来源
涉及实体
相关事实
待验证在视觉对齐训练阶段冻结LLM主干参数、分阶段训练、数据配比回放和LoRA等方法可缓解多模态训练中的灾难性遗忘问题76% 相似待验证触发式重训（基于性能衰减监控和数据漂移检测）可替代定时全量重训，把计算资源精准投放在真正需要的地方76% 相似待验证Fine-tuning在预训练模型基础上用数千至数万条领域数据二次更新参数，更适合固定格式输出、高度专业化的垂直场景，知识更新灵活性较低76% 相似待验证过拟合的应对方法包括增加训练数据、正则化、早停和Dropout75% 相似待验证内置Garmin专有训练指标（如VO2 Max、Training Load、Recovery Time），这些数据需长期使用积累才能准确，新用户初期数据参考价值有限75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/863330API
curl https://kongchang.com/api/v1/knowledge/claims/863330MCP
get_claim(id=863330)