实体
large recommendation models
large recommendation models
PulseAugur coverage of large recommendation models — every cluster mentioning large recommendation models 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
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
LoKA框架为大型推荐模型实现低精度FP8
研究人员开发了LoKA，一个旨在使低精度算术（特别是FP8）在大型推荐模型（LRMs）中实用的框架。与LLMs不同，LRMs对数值精度敏感，当直接应用FP8时，质量会下降或训练时间延长。LoKA通过系统-模型协同设计方法解决了这个问题，包括通过分析来识别安全的低精度使用，调整模型组件以提高稳定性和效率，以及使用运行时来选择满足精度要求的最快FP8内核。
-
新的令牌化方法提升大型推荐模型 · 2篇论文
两篇研究论文介绍了通过将各种信号转换为高效令牌表示来增强大型推荐模型的新颖方法。TokenMinds 专注于预训练离散用户令牌和密集嵌入以进行用户理解，并在 YouTube 上展示了其有效性。Token Factory 提出了一个将传统信号转换为“软令牌”的框架，能够高效地集成到基于 Transformer 的推荐模型中，并减少提示长度和计算开销。
-
LoKA框架为大型推荐模型实现低精度FP8
研究人员开发了LoKA，一个旨在使低精度算术（特别是FP8）在大型推荐模型（LRMs）中实用的框架。与以往常常导致模型质量下降的尝试不同，LoKA采用了系统-模型协同设计方法。它通过统计分析来识别安全的FP8采用点，进行模型适配以提高稳定性和效率，以及一个根据精度要求选择最佳FP8内核的运行时来实现这一点。