SLED
PulseAugur coverage of SLED — every cluster mentioning SLED across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的SLED方法提供可扩展、经济高效的地理空间数据编码
研究人员开发了一种名为可扩展的通过蒸馏进行的位置编码（SLED）的新方法，用于从地理空间数据创建高效的位置编码器。与依赖计算成本高昂的CLIP风格框架的先前方法不同，SLED使用蒸馏并将地理空间位置视为一种绑定模态。这使得它能够使用各种类型的地理空间数据（包括多种模态）预训练编码器，而无需时空配准。SLED在更小的批次大小下表现良好，并与现有方法相比显著降低了运行时间和计算成本。
-
新研究解决大语言模型的事实准确性、架构推断和专业化评估问题
研究人员正在开发新方法来提高大语言模型（LLM）的准确性和可靠性。Google Research 推出了 SLED（Self Logits Evolution Decoding）技术，该技术利用 LLM 的所有层来增强事实准确性，而无需额外的微调或外部数据。同时，研究也在探索如何通过限制性 API 访问来推断 LLM 的架构属性，并创建新的基准来评估 LLM 在金融服务和编译器问题解决等专业领域的表现。此外，研究还在调查 LLM 集成…
-
Google Research 评估大语言模型对齐并提高事实准确性
Google Research 开发了一个新的框架来评估大语言模型与人类社会倾向的行为对齐情况。该方法将已建立的心理学问卷改编成大规模情境判断测试，从而能够量化模型在现实场景中的倾向。研究发现了模型行为偏离人类共识或未能捕捉人类意见范围的差距，旨在改善大语言模型在社会动态中的导航能力。另外，Google Research 还推出了 SLED，这是一种新颖的解码策略，通过利用模型的所有层而不是仅最后一层来提高大语言模型的准确性，且无需外…