待验证50% 置信事实精确时间

掩码上下文增强策略的灵感来自 NLP 领域的掩码语言建模（如 BERT）和计算机视觉中的掩码自编码器（MAE）

1

来源数

50%

置信度

长期有效

时效性

2026/9/8

首次发现

来源

EXAONE Finance：专为金融打造的时序预测基础模型深度解析

涉及实体

BERTmodel MAEconcept EXAONE Financemodel

相关事实

待验证近年来基于LLM的APR方法（如AlphaRepair、ChatRepair）因语言模型天然理解代码语义而展现出显著优势72% 相似待验证通义灵码底层依托通义千问系列大语言模型的代码理解与生成能力70% 相似待验证Vibe Coding通过规则文件用自然语言对部署语义进行抽象，由AI将高层意图翻译为具体的MCP工具调用序列，实现基础设施即语言70% 相似已验证大型语言模型（LLM）的语义理解能力是Vibe Coding得以实现的技术基础69% 相似待验证文本编码器负责将自然语言提示词转换为高维嵌入向量供扩散模型的去噪过程使用69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/875721

API

curl https://kongchang.com/api/v1/knowledge/claims/875721

MCP

get_claim(id=875721)