跳到正文
热点事件持续更新

Karpov团队提出T/E/S方法分析LLM推理动态

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,Karpov团队在arXiv发布研究,提出结合文本、局部事件和活动跨度的T/E/S方法,用于建模大语言模型的推理动态。 该结构表征在评估中显示显著效果:在76个评估组中,Transformer和Qwen(结合LoRA)的下一结果预测准确率分别达到70/76和74/76,证实事件与跨度特征能提升预测性能。 进一步实验通过取消共享延续质量边界恢复了最优动作,使平均推理CPU时间减少77.7%;在71个HotpotQA和MuSiQue保留集上,Brier损失从0.0836降至0.0756。

AI 根据报道生成 · 11 小时前更新

最新进展11月19日 13:00
结构化表征建模 LLM 推理动态

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
    结构化表征建模 LLM 推理动态

    T/E/S 结合文本、局部事件和活动跨度,在 76 个评估组中,对 Transformer 和 Qwen 的下一结果预测准确率分别达到 70/76 和 74/76。 通过有限过程实验,取消共享延续质量的边界恢复了最优动作,将平均推理 CPU 时间减少 77.7%;在 71 个 HotpotQA 和 MuSiQue 保留集上,Brier 损失从 0.0836 降至 0.0756。

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。