EvoLib框架使LLM能够在不更新参数的情况下演进知识

研究人员开发了EvoLib，一个旨在增强大型语言模型（LLM）的新型测试时学习框架。该系统允许LLM在不同问题实例中学习和演进知识，而无需更新其参数或依赖外部监督。相反，EvoLib维护一个共享的知识抽象库，例如模块化技能和见解，这些抽象会自动从模型的推理过程中提取。通过采用加权和整合机制来持续改进这些抽象，随着时间的推移将实例特定的知识转化为更通用和可重用的形式。与不使用真实反馈的现有测试时扩展和学习方法相比，EvoLib在数学推理、代码生成和智能体环境的基准测试中表现出显著的改进。 AI

影响 该框架通过在无需昂贵的参数重新训练的情况下实现持续的知识积累，可能带来更高效和适应性更强的LLM。

排序理由 该集群包含一篇详细介绍LLM新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• EvoLib
• Gotit.pub
• Hugging Face
• IArxiv
• ScienceCast
• Weijia Xue

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →