PulseAugur
中
实时 10:59:02
实体 InternVL3.5-30B-A3B

InternVL3.5-30B-A3B

PulseAugur coverage of InternVL3.5-30B-A3B — every cluster mentioning InternVL3.5-30B-A3B across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 3 条
  1. RESEARCH · CL_338465 ·

    新的剪枝方法大幅降低MoE LLM内存占用 · 跟踪2个来源

    研究人员开发了新的方法来剪枝混合专家(MoE)模型,以减小其巨大的内存占用。一种方法,模态感知专家剪枝(MAEP),通过区分视觉与语言处理角色的专家重要性,专门针对多模态大型语言模型(MLLM)。另一种方法,保留结构专家剪枝,将剪枝重新表述为子集选择问题,提出投影能量专家剪枝(PEEP)和分布覆盖专家剪枝(DCEP)等技术来维持专家输出的功能子空间和分布几何。实验表明,这些剪枝策略可以在保持各种基准测试的竞争性性能的同时,显著减小模型尺寸。

  2. TOOL · CL_273487 ·

    DecoMoE框架提升多模态MoE模型效率

    研究人员开发了DecoMoE,一个旨在提高多模态混合专家(MoE)模型效率的新型框架。该方法将视觉传播过程与专家计算解耦,解决了长视觉-Token序列带来的高推理成本问题。DecoMoE采用样本自适应视觉边界动态移除视觉Token,并通过路由校准专家前缀优化专家选择。在Qwen3-VL-MoE等模型上的评估表明,在保持原始性能的百分比的同时,计算量和延迟显著降低。

  3. RESEARCH · CL_169696 ·

    新的基准CLBench-V揭示多模态AI在上下文学习方面存在不足 · 跟踪2个来源

    研究人员推出了CLBench-V,这是一个旨在评估多模态AI模型如何从上下文中学习的新基准,它超越了纯文本,纳入了图表和图像。该基准在三个维度上评估模型:上下文基础、新信息应用和新知识学习。在六个最新模型和超过3400个实例的测试中,最高得分仅为0.2847,表明多模态上下文学习仍有很大的改进空间。InternVL3.5-30B-A3B在上下文基础和知识获取方面表现出色,而Qwen3.5-Plus在应用新信息方面表现出优势。