实体
autocomplete
autocomplete
PulseAugur coverage of autocomplete — every cluster mentioning autocomplete across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
LLM 详解：下一个词元预测与模式匹配
大型语言模型（LLM）主要作为复杂的模式匹配系统运行，旨在预测序列中的下一个词元，这一过程类似于高级自动补全。它们不访问外部数据库或搜索引擎获取信息；相反，它们根据在广泛训练阶段学到的模式来重建文本。这种词元预测机制是 LLM 生成响应、回答问题和编写代码的核心，但也解释了它们倾向于
-
CodeShrink框架提升MLLM代码理解效率
研究人员开发了CodeShrink，一个旨在提高多模态大语言模型（MLLMs）处理源代码效率的新框架。该系统包含三个关键组件：无空白渲染，用于消除来自空白符的token；自适应压缩配置，使用强化学习为每次输入优化设置；以及主导Token选择，用于修剪不相关的视觉token。评估表明，CodeShrink可以将视觉token使用量减少高达71.2%，同时在代码问答、克隆检测和代码补全等任务上保持或提高性能，优于现有的基于文本和视觉的压缩方法。
-
Echo框架利用用户反馈精炼AI代理性能
研究人员开发了Echo，一个使AI代理能够从用户对其输出的精炼中学习的框架。该方法通过利用用户交互的持续反馈循环，解决了静态训练数据的局限性。在代码补全环境中，Echo通过将接受率从25.7%提高到35.7%，从而提高了代理性能。