English(EN) Forecasting Corpus-Sampling Disagreement in Masked Text Reconstruction

新方法预测语言模型在不同文本语料库中的分歧

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-12 04:00

研究人员开发了一种方法，可以预测语言模型在不同文本语料库上训练时预测会发生多大变化。他们的公式考虑了文档长度和跨标记偏移的相关性等各种因素，并可以使用单独的参考语料库进行评估。在 TinyStories 和 WikiText-103 等数据集上的实验表明，分歧下降的速度比简单缩放定律预测的要慢得多，他们将其归因于罕见上下文的平滑处理。其预测的准确性比特定的相关性建模方法更依赖于参考语料库的大小。 AI

影响为理解 LLM 训练中的模型鲁棒性和数据敏感性提供了一个新工具。

排序理由学术论文，详细介绍了预测语言模型行为的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 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: 43 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了预测语言模型行为的新方法。[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 stat.ML TIER_1 English(EN) · Hare Krishna · 2026-10-12 04:00

预测掩码文本重建中的语料库采样分歧

arXiv:2610.12987v1 Announce Type: cross Abstract: If a second text corpus were collected from the same population, how much would a predictor's outputs change? We study this question for masked-text reconstruction using a smoothed predictor built from nearby token-pair counts and…

本文如何被排名

报道来源 [1]

预测掩码文本重建中的语料库采样分歧

相关实体

相关话题