bitcoin
bitcoin

$64039.103567 USD

-4.57%

ethereum
ethereum

$1784.081928 USD

-5.80%

tether
tether

$0.999488 USD

0.03%

bnb
bnb

$588.358391 USD

-4.49%

usd-coin
usd-coin

$0.999858 USD

-0.01%

xrp
xrp

$0.950763 USD

-3.51%

solana
solana

$70.044873 USD

-7.07%

tron
tron

$0.306827 USD

-1.80%

hyperliquid
hyperliquid

$65.149155 USD

-6.52%

zcash
zcash

$897.351620 USD

-1.28%

monero
monero

$487.288337 USD

-7.79%

dogecoin
dogecoin

$0.057803 USD

-7.85%

unus-sed-leo
unus-sed-leo

$9.122098 USD

-1.58%

chainlink
chainlink

$9.071028 USD

-5.43%

cardano
cardano

$0.150246 USD

-7.94%

Nachrichtenvideo zur Kryptowährung

Matthieu Wyart: Wie viele Daten sind erforderlich. um die Struktur der Sprache zu lernen? (25. September 2026)

Nov 07, 2026 at 05:04 am Simons Foundation

Trotz der Tatsache, dass experimentelle neuronale Skalierungsgesetze den empirischen Fortschritt beim groß angelegten maschinellen Lernen maßgeblich beeinflusst haben, kann keine bestehende Theorie die Exponenten dieser wichtigen Gesetze für einen modernen LLM, der auf natürlichen Sprachen trainiert wird, quantitativ vorhersagen. Es ist auch unklar, ob sie durch Training mit anderen Zielen geschlagen werden können. Matthieu Wyart wird die Bemühungen der Zusammenarbeit zur Untersuchung dieses Phänomens besprechen, einschließlich der ersten Theorie dieser Art im Fall datenbegrenzter Skalierungsgesetze. Anschließend wird Wyart synthetische Sprachen vorstellen, die eine verborgene Hierarchie aufweisen (ein zentraler Begriff sowohl in der Linguistik als auch in der Computer Vision), und erörtern, wie diese Sprachen durch tiefe, aber nicht flache Netze gelernt werden. Skalierungsgesetze in diesen synthetischen Sprachen folgen dem gleichen Prinzip wie in natürlichen Sprachen, wenn sie auf Token-Ebene trainiert werden. Allerdings können diese Sprachen durch Maschinen, die in einem abstrakten Raum vorhersagen, viel effizienter erlernt werden – was den Erfolg von Joint Embedding Predictive Architectures (JEPA) und anderen Maschinen rechtfertigt, die aus ihren eigenen Latenten lernen. Weitere Informationen finden Sie unter: https://www.simonsfoundation.org/events/simons-collaboration-on-the-physics-of-learning-and-neural-computation-annual-meeting-2026/
Videoquelle:Youtube

Haftungsausschluss:info@kdj.com

Die bereitgestellten Informationen stellen keine Handelsberatung dar. kdj.com übernimmt keine Verantwortung für Investitionen, die auf der Grundlage der in diesem Artikel bereitgestellten Informationen getätigt werden. Kryptowährungen sind sehr volatil und es wird dringend empfohlen, nach gründlicher Recherche mit Vorsicht zu investieren!

Wenn Sie glauben, dass der auf dieser Website verwendete Inhalt Ihr Urheberrecht verletzt, kontaktieren Sie uns bitte umgehend (info@kdj.com) und wir werden ihn umgehend löschen.

Weitere Videos veröffentlicht auf Nov 16, 2026