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

上下文语言学习：结构和算法

💡 原文中文，约300字，阅读约需1分钟。
📝

内容提要

该文章介绍了一种利用少量示例进行培训的方法，使得小型语言模型能够在新领域和任务中进行上下文学习。该方法提高了翻译质量和适应率，优于传统监督技术和大型语言模型。同时，该方法还实现了高效的批处理推理。

🏷️

标签

上下文学习 批处理推理 算法 翻译质量 语言模型 适应率
➡️

继续阅读

  1. AI时代重审欧陆哲学：卡尔纳普语言手术刀再杀海德格
    卡尔纳普的逻辑实证主义虽被视为失败，但其方法论已深入分析哲学。他反对“第一哲学”，主张以逻辑分析语言，影响深远。当代形而上学复兴实为技术化分支，非传统宏大...
  2. Kimi K3 模型结构（10）：RL 与服务，状态住在哪里
    本文介绍Kimi K3模型在1M上下文强化学习与线上服务中的系统设计，核心是状态管理。KV块和KDA状态通过write-back策略在GPU与DRAM池间...
  3. 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...
  4. 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...
  5. 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...
  6. 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...
👤 个人中心
在公众号发送验证码完成验证