English(EN) Two Vectors Replace In-Context Demos: Structured Task Adaptation via Embeddings

新的STAVE方法通过特定任务向量降低LLM适应成本

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

研究人员开发了一种名为结构化任务适应（STAVE）的新方法，以改进大型语言和多模态模型适应新任务的方式。STAVE用两个特定任务向量取代了对多个上下文演示的需求，显著降低了每次查询重新编码演示的计算成本。该方法在各种多模态和文本任务上均表现出与最先进方法相当或更优的性能，同时需要更少的任务参数并提供零样本推理能力。 AI

影响降低了LLM和LMM适应新任务的计算成本，可能使这些模型得到更广泛、更高效的应用。

排序理由这是一篇详细介绍大型语言模型适应新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 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; 这是一篇详细介绍大型语言模型适应新方法的学术论文。[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.CL TIER_1 English(EN) · Xi Ding, Naichen Shi, Jiawei Zhang · 2026-10-07 04:00

两个向量取代上下文演示：通过嵌入进行结构化任务适应

arXiv:2610.07572v1 Announce Type: new Abstract: In-context learning (ICL) adapts frozen large multimodal models (LMMs) to new tasks from a few demonstrations (demos), but re-encodes them at every query, where each demo image adds up to hundreds of visual tokens. Demo-free methods…

本文如何被排名

报道来源 [1]

两个向量取代上下文演示：通过嵌入进行结构化任务适应

相关实体

相关话题