研究人员开发了一种名为早期噪声丢弃（END）的新方法，以提高大型语言模型（LLMs）的效率和有效性。END 在处理阶段早期识别并丢弃输入序列中不相关或有噪声的上下文，而无需对模型进行微调。该方法在各种 LLMs 和数据集上显示出显著的性能和效率提升，同时还提供了对 LLMs 内部如何处理上下文信息的更深入见解。此外，还引入了一个名为自动上下文音频去噪（ACAD）的新概念，该概念基于推断的音频上下文而非固定定义来定义目标和噪声。 AI
影响 新的降噪技术可以提高 LLM 的性能和效率，并推进音频处理能力。
排序理由 两篇研究论文介绍了在不同领域中用于降噪的新颖方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2502.18915v3 Announce Type: replace-cross Abstract: Large Language Models (LLMs) have demonstrated remarkable performance across a wide range of natural language processing tasks. However, they are often distracted by irrelevant or noisy context in input sequences that degr…
arXiv:2605.22262v1 Announce Type: cross Abstract: Audio context determines which sound components and sources are relevant and which can be perceived as irrelevant (noise) by listeners. For example, traffic noise is informative in urban surveillance but noise for a phone call at …