PulseAugur
中
实时 10:08:00

ARIADNE 框架支持无需训练即可进行适配器选择

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了 ARIADNE，一个新颖的框架，可以在推理时动态选择最合适的适配器，而无需任务标签。这种无需训练且适配器无关的方法使用其训练数据嵌入派生的质心来表示每个适配器，从而能够基于潜在空间中的邻近性进行选择。ARIADNE 与各种参数高效微调 (PEFT) 方法兼容，并且不需要修改现有适配器或训练过程。评估表明，在使用 Llama 3.2 1B Instruct 进行测试时，ARIADNE 在 23 项 NLP 任务上达到了上限性能的 97.44%，在 44 项任务上达到了 89.7% 的平均选择准确率。 AI

影响 该方法通过自动化适配器选择，可以简化专业化 AI 模型的部署和管理，提高效率和可移植性。

排序理由 该集群包含一篇研究论文，详细介绍了 AI 模型适配器选择的新方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Enrico Cassano, Micha{\l} Brzozowski, Zuzanna Dubanowska, Paolo Mandica, Neo Christopher Chung ·

    ARIADNE: Agnostic Routing for Inference-time Adapter DyNamic sElection

    arXiv:2606.19079v1 Announce Type: new Abstract: The increasing deployment of parameter-efficient fine-tuning (PEFT) has led to model ecosystems in which a single backbone is paired with many task-specialized adapters. In this setting, inference-time queries often arrive without t…

  2. arXiv cs.AI TIER_1 English(EN) · Neo Christopher Chung ·

    ARIADNE：用于推理时适配器动态选择的不可知路由

    The increasing deployment of parameter-efficient fine-tuning (PEFT) has led to model ecosystems in which a single backbone is paired with many task-specialized adapters. In this setting, inference-time queries often arrive without task labels, requiring the system to automaticall…

相关实体

相关话题