研究人员正在探索将大型基础模型提炼成更小、更高效的版本以用于特定应用的方法。一项研究侧重于为大型强子对撞机的喷注标记提炼模型，证明即使是只有几千个参数的模型也能匹配或超越更大模型的性能，同时显著降低推理成本。另一篇论文介绍了OneLatent，一个将大型语言模型的显式推理痕迹压缩为潜在令牌以用于高效推荐系统的框架，与现有方法相比，在性能和推理吞吐量方面有了显著的改进。 AI
影响 模型提炼和潜在推理方面的发展有望在粒子物理和推荐系统等不同领域实现更高效的人工智能应用。
排序理由 arXiv上发表的两篇研究论文，详细介绍了为提高效率而提炼大型基础模型的方法。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.29439v1 Announce Type: new Abstract: Jet tagging is one of the most important applications of machine learning at the Large Hadron Collider. Recent models build in more physics knowledge or rely on large-scale pretraining, but the experiments place strict limits on the…
Large language models (LLMs) have demonstrated strong reasoning capabilities, motivating their use as the backbone of foundation recommendation models (FRMs). Existing methods enhance recommendations through explicit Chain-of-Thought (CoT) reasoning under a Think-then-Answer para…