Anchor方法论文：长上下文检索测试时训练新架构
热点事件持续更新
Anchor方法论文：长上下文检索测试时训练新架构
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
2026年11月4日，Vimal William等人在arXiv发表题为《Anchor：用于测试时训练长上下文检索的增强跨层循环状态》的论文。该研究指出，长上下文检索在深度上呈稀疏分布，且集中在少数“锚点层”，其余层的状态信息相似但通过层特异性变换表达。 基于此，作者提出Anchor方法，仅在锚点层放置测试时训练（TTT）记忆，并采用跨层循环状态，该状态由单一层写入、多层读取，使循环状态规模缩小10倍。 在Llama-3.1-8B和Mistral-7B上，Anchor较LoLCATs召回率高2.3–3.1倍，MMLU准确率高6.7–8.9点，保留91%–95%教师模型MMLU准确率，端到端延迟较softmax注意力最多降低4.3倍。
AI 根据报道生成 · 3 小时前更新
最新进展11月4日 13:00
Anchor：用于测试时训练长上下文检索的增强跨层循环状态报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv · AIAnchor：用于测试时训练长上下文检索的增强跨层循环状态
Anchor 模型在 Llama-3.1-8B 和 Mistral-7B 上实现了比 LoLCATs 高 2.3-3.1 倍的召回率和 6.7-8.9 点的 MMLU 准确率提升。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 811月4日 23:00
- 近 24 小时变化
- –
02468
23:0011月5日01:00
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。