新方法实现跨 LLM 会话的上下文学习状态迁移

研究人员开发了一种新的方法，用于在不同会话之间迁移大型语言模型（LLM）的上下文学习（ICL）状态。这对于可能被另一个代理中断或继续的任务的应用至关重要，要求新会话保留前一个会话的相关信息。所提出的方法被表述为任务相关 ICL 状态的迁移，区分了对过去信息的精确恢复和目标分布的保留。它量化了在下游查询已知之前存储信息的成本，并提出了一个包含决策、任务证明统计数据和原始观察的三部分记录。 AI

影响 通过允许任务在会话之间无缝恢复，从而在 LLM 驱动的应用中实现更健壮和连续的用户体验。

排序理由 该条目是一篇学术论文，详细介绍了 LLM 状态迁移的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• Connected Papers
• CORE Recommender
• DagsHub
• Few-shot learning
• Gaussian linear regression
• Hugging Face
• large language models
• Litmaps
• ScienceCast
• scite Smart Citations
• Session Boundaries

• 论文
• 基础设施

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