研究者提出免训练模型合并框架LHM
热点事件持续更新
研究者提出免训练模型合并框架LHM
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Zeqiu Yu等研究者提出免训练模型合并框架LHM（低秩分层合并），用低秩Hessian近似、层二阶敏感度（LSOS）指标和双约束系数映射（DCCM）替代线性插值与一阶激活统计，用于把长链式推理模型合并为短输出。 据论文报告，在1.5B和7B模型、六个数学基准上，LHM的准确率比ACM-TIES、ORCA等方法提升超4%，输出长度最多缩短93.1%。这些结果来自论文自身的实验对比。
AI 根据报道生成 · 3 小时前更新
最新进展11月4日 13:00
LHM：面向高效长到短推理的低秩分层合并方法报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv · cs.AILHM：面向高效长到短推理的低秩分层合并方法
研究者提出免训练框架低秩分层合并（LHM，Low-Rank Hierarchical Merging），用低秩 Hessian 近似、层二阶敏感度（LSOS）指标和双约束系数映射（DCCM）替代线性插值与一阶激活统计，实现长链式推理模型到短输出的合并。在 1.5B 和 7B 模型、六个数学基准上，LHM 比 ACM-TIES、ORCA 等方法准确率提升超 4%，输出长度最多缩短 93.1%。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月4日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。