PulseAugur
中
实时 09:16:34
English(EN) GraphIR: Architecture-Level Search States for LLM-Guided Neural Architecture Evolution

LLM 通过新的代码和移动部署方法驱动神经架构搜索

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文探讨了大型语言模型 (LLM) 在神经架构搜索 (NAS) 中的应用。第一篇论文“GraphIR”引入了一种中间表示，以弥合可执行神经网络程序与 LLM 引导的演进之间的差距，在 CLRS 等基准测试中显示出改进的搜索性能。第二篇论文“Device-First Feedback”专注于移动原生 LLM 驱动的 NAS，开发了一个管道，该管道针对设备性能进行模型优化，而不仅仅是 GPU 准确性，在 CIFAR-10 的移动部署得分上显示出显著的收益，但在 CIFAR-100 等更难的任务上面临挑战。 AI

影响 这些论文推进了 LLM 在自动化复杂模型设计方面的能力，有可能加速 AI 的开发和部署。

排序理由 两篇在 arXiv 上发表的学术论文，详细介绍了 LLM 驱动的神经架构搜索的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM 通过新的代码和移动部署方法驱动神经架构搜索

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Zhen Liu, Wanqi Zhou, Shuanghao Bai, Yuhan Liu, Jinjun Wang, Jingwen Fu ·

    GraphIR: Architecture-Level Search States for LLM-Guided Neural Architecture Evolution

    arXiv:2608.01633v1 Announce Type: new Abstract: Large language models (LLMs) enable neural architecture search (NAS) directly over executable neural network programs. However, code-level flexibility does not provide the architecture state needed for effective mutation: LLMs must …

  2. arXiv cs.CV TIER_1 English(EN) · Saif U Din, Muhammad Ahsan Hussain, Radu Timofte, Dmitry Ignatov ·

    Device-First Feedback: Toward Mobile-Native LLM-Driven Neural Architecture Search

    arXiv:2608.00078v1 Announce Type: new Abstract: Deploying convolutional neural networks generated by large language models (LLMs) on real mobile hardware requires more than GPU validation accuracy: INT8 TensorFlow Lite export, delegate selection, and on-device latency jointly det…

相关实体

相关话题