PulseAugur
中
实时 00:46:25
English(EN) Hill Sampling for Test-Time Scaling: A Simple and Better Alternative to Repeated Sampling, Evolution, and Training

山丘采样提高了LLM的测试时性能，优于复杂方法

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文介绍了一种名为山丘采样（Hill Sampling）的新颖方法，用于提高大型语言模型（LLMs）在测试时的性能。该技术包括从一个固定的LLM中重复采样候选程序，并将后续采样条件化为迄今为止找到的最佳程序。山丘采样在圆盘填充问题上取得了最先进的结果，并在Erdos的最小重叠问题上提高了性能，优于进化策略（Evolution Strategies）和重复采样等更复杂的方法。 AI

影响 该方法提供了一种更简单、更有效的方法来增强LLM在测试时的能力，有可能降低复杂问题解决的计算成本。

排序理由 该集群包含一篇详细介绍LLM新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

山丘采样提高了LLM的测试时性能，优于复杂方法

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Jacob Beck, Philip V. Ogren, Ari Kobren ·

    用于测试时缩放的Hill采样：重复采样、进化和训练的简单且更好的替代方案

    arXiv:2609.25510v2 Announce Type: replace-cross Abstract: Large language models (LLMs) can improve solutions to verifiable scientific and algorithmic problems by spending additional computation at test time. Recent systems achieve strong results with increasingly elaborate evolut…

相关实体

相关话题