1.5B
PulseAugur coverage of 1.5B — every cluster mentioning 1.5B across labs, papers, and developer communities, ranked by signal.
-
策略内蒸馏：困难示例可提升大型语言模型的推理能力
一篇新论文探讨了在策略内蒸馏（On-Policy Distillation, OPD）对于增强大型语言模型的有效性，特别关注数据效率和数据选择。研究发现，即使是单个示例（1-shot OPD）也可能有效，而更困难的示例通常能带来更优越的性能提升。研究表明，这种改进源于复杂问题中更长的思维链（Chain-of-Thought, CoT）路径，这有助于保持与教师模型的对齐并教授批判性思维模式。基于这些发现，提出了一种仅使用困难示例的数据选…
-
VibeVoice 1.5B 模型可在 iPhone 上本地运行
一个名为 VibeVoice 的 15 亿参数语言模型已成功在 iPhone 上本地运行，仅使用了约 2.2 GB 的内存。该模型实现的生成速度最高可达实时速度的 1.28 倍。此举是集成该模型到 audio.cpp 框架的一部分，并计划在 0.6 版本发布后发布代码和 xcframework。
-
研究发现：大语言模型中的自我反思方法不敌简单的重复采样
一篇新发布的 arXiv 研究论文对大型语言模型中复杂的自我反思和精炼方法的有效性提出了质疑。研究人员发现，在 token 成本相同的情况下，诸如重复采样答案并选择最常见答案等更简单的技术，其表现与更复杂的精炼方法相当甚至更好。这一发现适用于从 1.5B 到 7B 参数的模型，并在数学基准测试中得到验证，表明自我检查的额外复杂性并不能可靠地提高准确性。
-
盲目重采样在小型代码模型中优于自我修复
一篇新的研究论文探讨了不同重试策略对小型代码模型的有效性，特别是比较了盲目重采样与自我修复。研究发现，盲目重采样（即在不向模型提供其先前失败尝试的情况下进行重试）通常优于自我修复，尤其对于参数量小于70亿的模型。这表明向模型提供其自身的失败代码可能会导致锚定效应，使其复制类似的错误，而不是生成新颖、正确的解决方案。
-
Fireworks AI 以 175 亿美元估值筹集 15 亿美元，年经常性收入达 10 亿美元
Fireworks AI 已获得 15 亿美元的 D 轮融资，公司估值达到 175 亿美元。这家推理基础设施提供商的年经常性收入 (ARR) 也已达到 10 亿美元。该公司报告称，日均处理超过 40 万亿个 token，其中大部分来自专门针对客户数据的模型。