BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

鉴真伪：通过高效参数模块操作进行模型缺陷遗忘

💡 原文中文，约300字，阅读约需1分钟。
📝

内容提要

通过整合“专家”和“反专家”参数，我们提出了一种称为“Ext-Sub”的参数有效模块操作方法，以提高大型语言模型的真实性和去毒性。实证结果表明我们的方法有效地改善了大型语言模型的真实性和去毒性。

🏷️

标签

专家 参数 反专家 大型语言模型 模块 真实性
➡️

继续阅读

  1. Kimi K3 模型结构（6）：输入端与零件，MoonViT-V2、MTP、Per-Head Muon
    Kimi K3模型采用从零训练的MoonViT-V2视觉编码器，27层、patch14结构，支持高分辨率图像token化；MTP层预训练后微调为EAGLE...
  2. Kimi K3 模型结构（5）：宽度维度，Stable LatentMoE
    Kimi K3模型采用Stable LatentMoE作为FFN，基于NVIDIA LatentMoE改进，将输入压缩至半宽latent空间，增加RMSN...
  3. Kimi K3 模型结构（3）：序列维度，Gated MLA 与 3:1 混合
    本文介绍Kimi K3模型结构：采用3:1混合，每四层含一层Gated MLA（无位置编码、满秩sigmoid门），其余为KDA层。MLA低秩压缩KV至5...
  4. Kimi K3 模型结构（2）：序列维度（下），chunkwise 并行与下界衰减
    本文介绍Kimi K3模型序列维度的chunkwise并行算法：将序列分块，块间递推状态、块内用矩阵乘并行计算。K3将每步log-decay加−5下界，使...
  5. Kimi K3 模型结构（1）：序列维度（上），从线性注意力到 KDA
    本文介绍Kimi K3模型中KDA（Kimi Delta Attention）的递推形式，从线性注意力、DeltaNet到Gated DeltaNet演进...
  6. Kimi K3 模型结构（4）：深度维度，Attention Residuals
    本文解析Kimi K3模型中的Attention Residuals（注意力残差）结构。该机制将残差连接视为深度方向上的RNN，通过可学习伪query对e...
👤 个人中心
在公众号发送验证码完成验证