详细信息 理性一通 + 幻觉的(超球形)动力学 |两次 30 分钟的演讲详细信息 这将是一次期刊俱乐部活动 两次演讲:一次推理:用于多轮推理高效微调的令牌复制和块稀疏掩模(NeurIPS 2025 研讨会)链接到论文《幻觉的(超球形)几何和动力学》。基于论文:“法学硕士幻觉的几何分类”,Marin 2026 https://arxiv.org/pdf/2602.13224v3 “变形金刚如何拒绝错误答案:事实约束处理的旋转动力学”,Marin 2026 https://arxiv.org/abs/2603.13259 “作为概念字段的文本语料库:黑盒幻觉和新颖性测量”,Kersting 等人。 2026 https://arxiv.org/pdf/2605.05103” 演讲者 Ritesh Goru,DevRev 技术人员成员;Prateek Jain,DevRev 机器学习工程师 Connor Favreau 博士,Central Health 首席数据科学家 摘要 1. 由于推理标记可见性,在多轮推理数据集上微调大型语言模型 (LLM) 需要每个对话进行 N(轮数)个单独的前向传递限制,因为我们建议在后续回合中重复响应令牌以及自定义注意掩码,以实现对整个对话的单遍处理,同时降低时间复杂度并保持基于变压器的模型的相同内存复杂度。2. RAG 和 LLM-as-Judge 系统是用于幻觉缓解和检测的最常用方法。并非万无一失,通常需要额外的验证层,同时缺乏确定性或直接可测量的语义正确性概念,它们还可能引入大量的计算和架构开销,而是将幻觉测量置于嵌入空间的特定几何或动态属性中,这些属性要么来自模型本身的隐藏表示,要么来自单独的嵌入模型。信息奥斯汀深度学习期刊俱乐部是一个由致力于机器学习的实践者和研究人员组成的小组,该小组通常在每个月的第一个星期二举行会议,讨论研究出版物,这些出版物通常是为 ML/DL 奠定基础或探索新的有前途的想法的出版物,并且通过投票选出,这也是展示您的实现的绝佳机会。获得其他专家的反馈:感谢 Station Austin 对奥斯汀深度学习的赞助。Station Austin 是德克萨斯州企业家的重心,他们将他们与第一批投资者、员工、导师和客户联系起来。要注册成为 Station Austin 会员,请点击此处。
免责声明:info@kdj.com
所提供的信息并非交易建议。根据本文提供的信息进行的任何投资,kdj.com不承担任何责任。加密货币具有高波动性,强烈建议您深入研究后,谨慎投资!
如您认为本网站上使用的内容侵犯了您的版权,请立即联系我们(info@kdj.com),我们将及时删除。