新指标揭示 Transformer 的长度泛化极限

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-07 04:00

研究人员开发了一种称为归一化精确解体积 (NESV) 的方法来分析 Transformer 的长度泛化能力。该方法量化了 Transformer 参数空间中可跨不同输入长度解决任务的比例。对于 FIRST、MAJORITY、INDEX 和 PARITY 等特定任务，该研究为 NESV 设定了渐近界限，揭示了解决方案体积衰减越快的任务越难泛化。研究还识别了 INDEX 任务中的错误来源，从而在 NESV 方面进行了理论改进，并在在训练长度十倍的长度下进行测试时，将实际准确率从 60% 提高到 85%。 AI

影响为理解和改进 Transformer 模型对更长序列的泛化能力提供了理论框架。

排序理由学术论文，详细介绍了一种分析 Transformer 模型泛化能力的新方法。[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 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种分析 Transformer 模型泛化能力的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Yijia Jessica Zhu, David Chiang · 2026-10-07 04:00

Transformers 中的精确解体积和长度泛化

arXiv:2610.07676v1 Announce Type: cross Abstract: Research on transformer expressivity shows whether a transformer is capable of solving a given task, but gives little indication of whether the solution, if learned, is generalizable to longer input lengths. We study this question…

本文如何被排名

报道来源 [1]

Transformers 中的精确解体积和长度泛化

相关实体

相关话题