English(EN) RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions

新的关系基础模型RT-J实现了上下文高效预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-13 07:27

研究人员开发了RT-J，一个拥有8600万参数的关系基础模型，专为表格和关系数据上的上下文高效预测而设计。与现有方法相比，该模型需要更少的示例即可实现准确预测。RT-J在来自639个网络爬取数据库的6,023个预测任务的大型数据集上进行了预训练，利用了长上下文和一种新颖的检索机制。在关系基准任务上，该模型在匹配强大的特征工程管道方面所需的示例数量减少了10倍。 AI

影响该模型可以显著减少关系数据集上训练预测模型的数据需求，从而加速在各行业的应用。

排序理由该集群描述了一篇介绍用于关系数据预测的新颖模型的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 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: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇介绍用于关系数据预测的新颖模型的研究论文。[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: 5 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

Hugging Face Daily Papers TIER_1 English(EN) · 2026-10-13 07:27

RT-J：用于上下文高效预测的关系Transformer的大规模预训练

Foundation models for tables and relational databases are increasingly used for predictive tasks across various scientific and industrial domains. However, adapting existing models to unseen datasets requires tens of thousands of examples. Here we introduce RT-J, an 86M-parameter…

本文如何被排名

报道来源 [1]

RT-J：用于上下文高效预测的关系Transformer的大规模预训练

相关实体

相关话题