待验证50% 置信观点精确时间

传统模型能力扩展依赖训练阶段投入更多数据和参数（scaling law），但该路线边际收益趋于下降

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

从直推到归纳：AI推理范式转变如何催生编程智能体

涉及实体

scaling lawconcept

相关事实

待验证当线上数据分布偏离训练数据时，模型性能会退化（数据漂移与模型衰减），需要触发重新训练80% 相似已验证在后训练阶段，过低的损失可能对应过拟合，即模型死记硬背训练数据而丧失泛化能力79% 相似待验证大模型进入后预训练时代后，单纯堆砌参数带来的能力收益愈发递减，厂商转向后训练阶段寻求突破77% 相似待验证训练-部署鸿沟指模型因训练与部署环境的数据分布偏移、软件依赖版本差异或硬件指令集不同而导致的性能下降76% 相似待验证若引导源质量不高（δ较大），延长训练会放大偏差，此时应降低引导权重甚至停止使用外部引导76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/995963

API

curl https://kongchang.com/api/v1/knowledge/claims/995963

MCP

get_claim(id=995963)