LFM2 8B A1B
PulseAugur coverage of LFM2 8B A1B — every cluster mentioning LFM2 8B A1B across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LFM2 8B A1B模型基准测试结果喜忧参半
LFM2 8B A1B模型在MMLU-Pro基准测试中取得了50.5%的分数。然而，其在长上下文推理方面的表现却异常低下，仅获得1%的分数。这种差异表明评估方法可能存在问题，而不仅仅是反映了模型的实际能力。
-
新的大语言模型研究涵盖多模态对齐、推理审计和能源使用 · 已追踪 10 个来源
近期研究探讨了大语言模型（LLM）能力和局限性的各个方面。一项研究调查了多模态大语言模型的对齐问题，提出了一种新的数据生成方法来提高图像-文本一致性。另一篇论文介绍了一种用于评估大语言模型推理的协议级审计，突出了基准分数与实际行为属性之间的差异。进一步的研究利用围棋死活题探究了大语言模型的推理效率，揭示了当前模型在搜索组织方面存在困难。此外，还有研究考察了大语言模型的能耗、默认设置和代币定价对推理服务的影响，以及低资源编程语言基准的开发。
-
Liquid AI 发布了具有 128K 上下文的 8B MoE 模型，用于设备端工具使用
Liquid AI 发布了 LFM2.5-8B-A1B，这是一个拥有 80 亿参数的混合专家（MoE）模型，专为高效的设备端工具调用而设计。新版本显著将上下文窗口扩展到 128,000 个 token，并将预训练规模扩展到 38 万亿个 token，提高了其处理长文档和进行长期任务推理的能力。该模型还拥有扩展的词汇表，以更好地进行非拉丁语的 token 化，并针对消费级硬件上的高吞吐量进行了优化，支持各种推理引擎。
-
Liquid AI 发布 LFM2.5-8B-A1B 设备端 MoE 模型
Liquid AI 发布了 LFM2.5-8B-A1B，这是一款新推出的设备端专家混合（MoE）模型，专为复杂任务和工具链设计。该模型拥有 83 亿总参数，但每个 token 仅激活 15 亿参数，能够在消费级硬件上实现高效性能。主要升级包括扩展到 131,072 token 的上下文窗口、在 38 万亿 token 上进行的广泛预训练，以及用于减少幻觉和提高推理能力的先进强化学习。