Control Map框架测试时更新评估
热点事件持续更新
Control Map框架测试时更新评估
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
研究团队提出Control Map评估框架，旨在解决现有测试时更新评估遗漏更新位置与时序的问题，记录每个评分答案前已提交的更新，并分别评估行为变化、即时学习、后期记忆、无关行为保留及新场景表现。 实验基于760M参数模型，24种具有相同更新次数的调度方案导致19.7%至34.2%的准确率差异。对比测试中，CounterFact LoRA在六种设置下均成功学习，而ROME虽保留编辑但缺乏局部性。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
超越更新计数：测试时模型更新评估的控制图框架报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · ML超越更新计数：测试时模型更新评估的控制图框架
研究提出评估测试时更新的Control Map框架，解决现有评估遗漏更新位置与时序问题。 实验表明，在760M参数模型上，24种调度方案导致19.7%-34.2%的准确率差异。CounterFact LoRA在六种设置下均成功学习，而ROME虽保留编辑却缺乏局部性。
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。