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

(动态) 提示可能足以修复压缩的 LLM 模型

💡 原文中文，约300字，阅读约需1分钟。
📝

内容提要

LLM-Rec是一种提高大型语言模型在个性化内容推荐中性能的方法，使用四种不同的提示策略，结合原始内容描述和LLM生成的增强输入文本，可以改善推荐性能。这一发现强调了多样的提示和输入增强技术与大型语言模型相结合的重要性。

🏷️

标签

LLM-Rec llm 个性化内容推荐 大型语言模型 提示策略 输入增强技术
➡️

继续阅读

  1. 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...
  2. 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...
  3. 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...
  4. 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...
  5. Kimi K3 模型结构（0）：一张图看懂 Kimi K3
    Kimi K3是2.78T参数、104.2B激活的93层MoE模型，支持1M上下文及图像视频输入。其结构创新分三方面：序列用KDA与Gated MLA混合...
  6. 微软构建了提示注入检测器，却意外捕获了一场钓鱼攻击。
    微软披露一种利用Unicode标签字符的钓鱼攻击，攻击者将隐形字符插入“funding”等金融词汇，绕过垃圾邮件过滤和AI分类器，单日检测量超230万。该...
👤 个人中心
在公众号发送验证码完成验证