บทความและงานวิจัย

DynaMiCS: การปรับแต่งแบบผสมแบบไดนามิกของโมเดลภาษาขนาดใหญ่ที่มีข้อจำกัดด้านประสิทธิภาพ

หัวข้อต้นฉบับ:DynaMiCS: Fine-Tuning LLMs with Performance Constraints Using Dynamic Mixtures

สรุปโดย AI

DynaMiCS เป็นตัวปรับแต่งแบบผสมแบบไดนามิกที่จำลองการปรับแต่งหลายโดเมนเป็นปัญหาการปรับแต่งที่มีข้อจำกัดด้านประสิทธิภาพ โดยใช้การรัน probe เฉพาะโดเมนระยะสั้นเพื่อประมาณเมทริกซ์ความชันของผลกระทบข้ามโดเมน จากนั้นคำนวณน้ำหนักการผสมโดยอิงการปรับแต่งบน probability simplex เพื่อเพิ่มประสิทธิภาพในโดเมนเป้าหมายพร้อมรักษาการสูญเสียในโดเมนที่มีข้อจำกัดให้ต่ำกว่าระดับอ้างอิง การทดลองแสดงว่า DynaMiCS ให้การปรับปรุงในโดเมนเป้าหมายและการตอบสนองข้อจำกัดที่แข็งแกร่งกว่า baseline การผสมแบบคงที่ และมีต้นทุนการคำนวณต่ำกว่า โดยไม่ต้องใช้โมเดลอ้างอิง การให้คะแนนรายตัวอย่าง หรือการปรับน้ำหนักการผสมด้วยมือ

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
Apple Machine Learning Research(RSS)
หมวดหมู่
บทความและงานวิจัย
คะแนน AI
55
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

苹果这篇论文做了一件不太起眼但有用的事——让模型在学新领域时自动平衡旧能力,不用手动调混合权重,对需要多任务微调又怕遗忘的团队是个小进步,不过算不上范式级突破。

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: DynaMiCS: การปรับแต่งแบบผสมแบบไดนามิกของโมเดลภาษาขนาดใหญ่ที่มีข้อจำกัดด้านประสิทธิภาพ 7 กรกฎาคม 2026 https://new.nat6.net/th/news/cmrasd6r300hxihog9hxmteoz/

ดูทั้งหมด →