实体
Calibration Aware Generation
Calibration Aware Generation
PulseAugur coverage of Calibration Aware Generation — every cluster mentioning Calibration Aware Generation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
指南探讨 LLM 微调与缓存增强生成
该集群提供了关于微调大型语言模型（LLM）的指南，并探讨了使用外部知识来增强 LLM 的替代方法。微调指南涵盖了使用 LoRA、QLoRA 和 Unsloth 等技术结合 Ollama 在本地进行微调的方法，以及使用 PyTorch 和 Hugging Face 的方法。此外，一篇文章介绍了缓存增强生成（CAG）作为检索增强生成（RAG）的一种更简单的替代方案，用于增强 LLM 的知识，特别是当知识库适合模型上下文窗口时。
-
新的CAG模型增强了合成电器数据生成
研究人员开发了一种名为Cluster Aggregated GAN (CAG) 的新颖框架，用于生成非侵入式负载监测的合成电器数据。该混合模型通过区分间歇性电器和连续性电器来解决现有方法的局限性。对于间歇性设备，CAG使用聚类模块对相似模式进行分组并分配专用生成器，而连续性电器则由基于LSTM的生成器处理。实验表明，CAG在真实性、多样性和训练稳定性方面优于基线方法。
-
新的CAG框架将LLM长篇生成的事实性提高了13%
研究人员引入了一个名为校准感知生成（CAG）的新框架，以对抗大型推理模型中的幻觉，尤其是在长篇内容中。CAG将知识探索与最终输出承诺分离，允许模型在承诺信息之前评估其可靠性。该方法在各种基准测试和模型家族中，事实性提高了高达13%，同时还将解码时间缩短了高达37%。这项工作表明，这种分离策略是开发更值得信赖、更具自我意识的生成系统的有希望的方向。