提出免训练推理时缩放方法 DMS
热点事件持续更新
提出免训练推理时缩放方法 DMS
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
研究者 Weixin Wang 等人提出解耦边缘锐化（DMS），一种无需更新模型权重或外部奖励模型的推理时扩展方法，并称已在实验中验证。 该方法分别控制模型对特定推理路径的偏好强度，以及对聚合多条路径支持后所得答案的偏好强度，并配合完全自适应退火 SMC 采样器，缓解粒子路径坍缩问题。相关论文发布在 arXiv 机器学习分类下。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
无需训练提升 LLM 推理：解耦边缘锐化方法 DMS报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.LG无需训练提升 LLM 推理：解耦边缘锐化方法 DMS
研究者提出 Decoupled Marginal Sharpening（DMS），一种无需更新模型权重或外部奖励模型的推理时扩展方法。DMS 先对推理路径锐化采样，再对聚合后的答案边缘概率做更强锐化，并配合 Fully Adapted Annealed SMC 缓解粒子路径坍缩。
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。