新假说解释隐式多模态上下文内学习

研究人员提出了选择-实现假说（Selection--Realization Hypothesis）来解释隐式多模态上下文内学习（M-ICL）。该假说认为，演示会压缩成内部变化，模型从中进行选择，而模型的计算会约束实现。研究发现，静态任务向量的有效性取决于诱导的变化在查询之间共享的程度。当显式M-ICL表现出简单的加法移位无法恢复的特定于查询或分布式结构时，更复杂的干预是有益的。 AI

影响 为理解和优化多模态上下文内学习提供了理论框架，可能导致更高效的模型训练。

排序理由 该集群包含一篇详细介绍多模态上下文内学习新假说和经验评估的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• M-ICL
• ScienceCast
• Selection--Realization Hypothesis
• visual question answering

• 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 →