研究者提出OT-DUS深度上扩展方法
热点事件持续更新
研究者提出OT-DUS深度上扩展方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
研究者 Mingzi Cao、Xi Wang、Nikolaos Aletras 提出 Optimal Transport Depth Up-Scaling（OT-DUS）方法，利用最优传输理论，在相邻基座层间逐模块对齐并融合功能对应的神经元来构建新层，以缓解现有深度扩容方法因复制或平均基座层导致的神经元置换错配问题。 在持续预训练和监督微调下，OT-DUS 在不同模型规模和模型族上，于通用与专业领域均优于现有方法。分析还发现，将新层插入更高位置可同时带来更强性能与更高训练效率。
AI 根据报道生成 · 1 小时前更新
最新进展10月9日 12:00
OT-DUS：用最优传输做 LLM 深度扩容报道时间线
沿着报道，了解事件的不同侧面。
10月9日
- arXiv：cs.CLOT-DUS：用最优传输做 LLM 深度扩容
研究者提出 Optimal Transport Depth Up-Scaling（OT-DUS），利用最优传输理论在相邻基座层间逐模块对齐并融合功能对应的神经元，以构建新层，缓解现有深度扩容方法因复制或平均基座层导致的神经元置换错配问题。在持续预训练和监督微调下，OT-DUS 在不同模型规模和模型族上于通用与专业领域均优于现有方法。分析还发现，将新层插入更高位置可同时带来更强性能与更高训练效率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。