Artykuły z tagiem
Machine Learning
9 artykułów
Comp-LLM: Kiedy Armia Ekspertów Wygrywa z Gigantem – Analiza Rewolucji w Architekturze AI
Comp-LLM rozbija zapytanie na DAG podzapytań dla wyspecjalizowanych ekspertów: kompozyt ~35B osiąga F1 0,83 wobec 0,85 dla monolitycznej Llamy-2 70B.
LLM-kaskady z ograniczeniami kosztów — poznaj C3PO
C3PO buduje kaskady LLM z probabilistycznym ograniczeniem kosztu zamiast sztywnego budżetu, osiągając jakość najcięższego modelu przy dużo niższym rachunku.
Uczenie ze Wzmocnieniem w Reklamach na Pinterest – DRL-PUT w akcji!
DRL-PUT z Pinteresta zastępuje ręczne strojenie wag funkcji utility polityką RL uczoną z logów: testy A/B dały wzrost CTR o 9,7% i LC-CTR o 7,7%.
Uczenie ze Wzmocnieniem w Reklamach na Pinterest
DRL-PUT z Pinteresta zastępuje ręczne strojenie wag funkcji utility spersonalizowaną polityką RL: w testach A/B CTR wzrósł o 9,7%, a LC-CTR o 7,7%.
Dynamiczne Dostrajanie (DFT): Jak jedna linijka kodu rewolucjonizuje trenowanie AI
Dynamic Fine-Tuning skaluje stratę odwrotnie do prawdopodobieństwa tokenu i prostuje ukrytą nagrodę SFT: jedna linijka kodu, wyniki na poziomie offline RL.
ASkDAgger: Jak Sztuczna Inteligencja Uczy Się Efektywniej Dzięki Zadawaniu Pytań
ASkDAgger odwraca DAgger: robot pyta o ocenę planu, zanim wykona ruch. Mechanizmy SAG, FIER i PIER tną liczbę zapytań, podnosząc wskaźnik sukcesu w CLIPort.
Jak sztuczna inteligencja może ujawnić pochodzenie miodu — spojrzenie na mineralne odciski palców
Random Forest na 12 pierwiastkach śladowych z 429 próbek miodu rozpoznaje pochodzenie botaniczne z dokładnością 99,50% i region geograficzny z 98,01%.
HeLo – Nowa ścieżka rozwoju rozpoznawania emocji z danych multimodalnych
HeLo przewiduje rozkład emocji zamiast jednej etykiety, łącząc mimikę i sygnały fizjologiczne przez cross-attention, transport optymalny i korelacje etykiet.
RetrySQL: samokorekta w generacji zapytań SQL
RetrySQL wplata błędne kroki i token [BACK] w dane treningowe: OpenCoder 1.5B zyskuje ok. 4 pkt proc. EX na BIRD i dorównuje GPT-4o w pipeline end-to-end.