跳到正文

#推理

今日 0 条

11月14日

星期六

11月11日

星期三

11月9日

星期一

11月7日

星期六

10月30日

星期五

10月28日

星期三

10月27日

星期二

10月22日

星期四

10月21日

星期三
  1. 在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B 实现多语言推理

    GPT-OSS-20B 在 50 例多语言推理测试中仅 22% 用目标语言推理(英语 100%、法语 0%、德语 10%、西班牙语 0%、意大利语 0%),团队在 Amazon SageMaker HyperPod 上用 LoRA 结合 SFT 与 GRPO 微调以纠正其英语偏好。结论是 SFT 承担主要工作,GRPO 在存在提升空间时进一步优化,技术选择需匹配能力差距。

10月20日

星期二

10月16日

星期五

10月15日

星期四

10月14日

星期三

10月13日

星期二

10月7日

星期三

10月3日

星期六

10月2日

星期五

10月1日

星期四

9月24日

星期四

9月16日

星期三

9月8日

星期二

9月3日

星期四

9月2日

星期三
  1. Hugging Face 推出 BenchMIRT:审计 LLM 基准测试究竟在测什么

    Hugging Face 发布 BenchMIRT,一种在单条提示词层面审计 LLM 基准测试的方法,基于多维项目反应理论(MIRT)分离出安全与通用推理两个主导维度。该方法在 100 个 LLM、16 个基准、超 34K 道题上训练,未被告知各基准测什么却稳定复现这两个维度。分析显示 BBQ、WMDP 等安全基准的得分更多与通用推理相关,单一基准分数可能混合多种信号。

8月25日

星期二

8月21日

星期五

8月13日

星期四
  1. MindTopo:微软研究院推出评估多模态大模型拓扑推理能力的新基准

    微软研究院推出 MindTopo 基准,用于评估多模态大模型在连通性、封闭、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示,当前模型在静态图像识别上表现明显优于交互式规划任务,失败多发生在规划阶段而非感知阶段,且整体远低于人类水平。图像与视频生成仅在单帧保留结构关系时有用,跨多步操作后常改变拓扑或违反任务约束。

8月11日

星期二

7月31日

星期五