待验证50% 置信事实精确时间

分布截断效应（distributional truncation）指当训练数据来自模型输出时，分布尾部的罕见样本因频次过低在每轮迭代中被进一步压制

1

来源数

50%

置信度

长期有效

时效性

2026/10/8

首次发现

来源

模型崩溃并非AI独有：一个古老问题的新面孔

涉及实体

分布截断效应concept

相关事实

已验证分布偏移是指训练环境与部署环境之间的统计分布差异，是虚假相关性导致性能崩溃的直接机制78% 相似待验证分布外（out-of-distribution）场景指模型推理时遇到的输入数据与训练或历史经验数据的分布存在显著差异77% 相似待验证当生成模型反复在自身生成的数据上训练时，输出分布会逐渐退化，低概率事件被系统性遗忘77% 相似已验证检测模型的训练数据永远落后于最新生成技术的输出分布，学术界称之为「分布偏移」问题76% 相似待验证分布偏移意味着训练集与测试集之间的KL散度不为零，即两个分布之间存在可度量的信息差距76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/989858

API

curl https://kongchang.com/api/v1/knowledge/claims/989858

MCP

get_claim(id=989858)