MOSAIC架构通过模态分区梯度路由提升多任务性能

2026年11月2日，arXiv发布MOSAIC架构研究，该架构通过模态分区保留单模态表征并利用跨模态交叉注意力实现受控交互，旨在解决多任务学习中任务对特定模态依赖失衡的问题。 其核心机制采用模态特异性损失将梯度路由至对应的模态分区，从而优化模型训练过程中的梯度传播方向。 在Corpus of Everyday Japanese Conversation数据集上，该方法使四个任务的平均宏F1提升7.4分，同时骨干参数量较融合基线减少72%，展现了良好的效率与性能平衡。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。