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

TriG-NER: Triplet-Grid Framework for Discontinuous Named Entity Recognition

💡 原文英文，约100词，阅读约需1分钟。
📝

内容提要

本研究提出了TriG-NER框架，旨在解决不连续命名实体识别中的实体分散问题。通过应用三元组损失，TriG-NER显著提高了实体边界检测的准确性，实验结果表明其在主流数据集上优于现有模型，设定了新基准。

🏷️

标签

TriG-NER framework 三元组损失 命名实体识别 实体边界检测 新基准
➡️

继续阅读

  1. Blume: Zero-Config Docs Framework That Turns a Markdown Folder into an AI-Ready Website
    Blume is an open-source documentation framework that converts Markdown into a...
  2. Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
    本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
  3. DeepSeek-V4 模型结构（7）：结构决定系统
    DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
  4. DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
    DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
  5. Kimi K3 模型结构（8）：训练并行，一步训练里谁在等谁
    本文介绍Kimi K3模型预训练的并行系统设计，聚焦MoE层expert并行。核心是MoonEP方案：每个rank预留E/R个冗余expert槽位，确保任...
  6. DeepSeek-V4 模型结构（5）：宽度维度，DeepSeekMoE 的四个改动
    本文介绍DeepSeek-V4模型结构中MoE层的四处改动：路由打分从sigmoid改为sqrt(softplus)以消除饱和；前三层用固定hash ro...
👤 个人中心
在公众号发送验证码完成验证