MoE大模型低预算转扩散：冻结塔方案胜出
热点事件持续更新
MoE大模型低预算转扩散：冻结塔方案胜出
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
研究对比同一30B MoE父模型的两种自回归（AR）到扩散模型转换方案：原地更新部分权重，与冻结因果副本经交叉注意力条件化。在1B训练token预算下，冻结塔模型HumanEval pass@10达71.60，原地模型仅6.19，相差约11.6倍；冻结塔同时保留父模型95%的GSM8K和99%的MMLU-Pro分数。 该结论来自Wentao Lu、Jesse Clark、Tianyu Zhu的论文，两种方案在语料、监督token预算、可训练参数集和评测框架上保持一致，但各自使用自己的训练配方。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
冻结塔式转换保留生成能力：MoE LLM 的低预算 AR 到扩散模型转换报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.LG冻结塔式转换保留生成能力：MoE LLM 的低预算 AR 到扩散模型转换
研究对比了同一 30B MoE 父模型的两种 AR 到扩散模型转换方案：原地更新部分权重与冻结因果副本经交叉注意力条件化。在 1B 训练 token 预算下，冻结塔模型 HumanEval pass@10 达 71.60，原地模型仅 6.19，提升 11.6 倍，同时保留父模型 95% 的 GSM8K 和 99% 的 MMLU-Pro 分数。
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。