跳到正文
热点事件持续更新

arXiv发布测试时对称化扩展定律论文

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026年11月18日,arXiv平台发布论文《Test-Time Symmetrization: Scaling Laws for Model-Agnostic Learning under Structure》。该研究由Behrooz Tahmasebi等人提出,聚焦于模型无关学习在结构约束下的扩展定律。 研究证明,O(log |G|) 次随机重写即可替代单一表示的重复采样,恢复所有 |G| 次重写提供的信息。理论表明,该对数扩展律在一般情况下是最优的,且当模型答案依赖于输入写法时,将计算预算用于重写输入比重复采样原始提示词能显著提升准确率。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · AI
    Test-Time Symmetrization: Scaling Laws for Model-Agnostic Learning under Structure

    研究证明 $O(\log |G|)$ 次随机重写足以替代单一表示的重复采样,恢复所有 $|G|$ 次重写提供的信息,且该对数扩展律在一般情况下是最优的。 理论表明,只要模型答案依赖于输入写法,在相同前向传递次数下,将计算预算用于重写输入而非重复采样原始提示词,准确率会显著提升。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。