Deutsch(DE) Richness Is Not Evenness: Ordered Renyi Crossings under Self-Training

GPT-2 自训练改变词语主导地位和熵分布

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-09 05:00

研究人员探索了递归自训练对语言模型的影响，特别是对 GPT-2 模型在其自身输出上进行多代微调。他们观察到，随着训练温度的升高，信息熵的不同度量（如最小熵和碰撞熵）在不同的温度点上从损失转变为增益。这个过程导致独特词语类型的数量减少，同时降低了最常用词语的主导地位。研究发现，这种熵变化的排序在各种设置下是一致的，包括不同的度量采样器、词语预算，甚至在对人类文本进行微调时也是如此，这表明熵分布应与独立的质量度量一起报告。 AI

影响这项研究深入探讨了自训练如何影响语言模型的词汇和词语主导地位，可能为未来的训练方法提供参考。

排序理由该集群包含一篇详细介绍语言模型训练新研究发现的学术论文。[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: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍语言模型训练新研究发现的学术论文。[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 Deutsch(DE) · Pranjal Srivastava · 2026-11-09 05:00

丰富性而非均匀性：自训练下的有序 Renyi 交叉

arXiv:2611.08892v1 Announce Type: new Abstract: Recursive self-training of language models, a setting studied in model collapse, can reduce vocabulary while making frequent words, mostly function words, less dominant. We fine-tune English GPT-2 on its own output for nine generati…

本文如何被排名

报道来源 [1]

丰富性而非均匀性：自训练下的有序 Renyi 交叉

相关实体

相关话题