待验证50% 置信事实精确时间

模型经过RL训练后输出多样性明显降低，并形成固定的小习惯（ticks）

1

来源数

50%

置信度

长期有效

时效性

2026/9/15

首次发现

来源

AI模型为何越来越"千篇一律"？蒸馏与RL催生的单一文化危机

涉及实体

强化学习concept

相关事实

待验证低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化73% 相似已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70% 相似待验证实验表明，仅经过数代自我训练，模型输出的方差就会急剧缩小，文本趋于同质化69% 相似已验证LoRA微调时冻结原始模型参数不动，只更新插入的低秩矩阵，显存需求和训练成本大幅降低69% 相似待验证模型崩溃过程中模型会依次经历输出多样性降低、少数类别和边缘知识丢失，最终产生无意义或高度重复的输出69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/923720

API

curl https://kongchang.com/api/v1/knowledge/claims/923720

MCP

get_claim(id=923720)