آخرین به روز شده در 19 سپتامبر 2025 توسط تیم تحریریه
نویسنده (ها): آرتور لاگاچری
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
بازگشت می تواند تغییر شکل دهد که چگونه مقیاس LLMS است.
یک مشکل اساسی در جریان LLM معماری دشواری در تطبیق قدرت محاسباتی آنها برای مطابقت با الزامات عملکرد وظایف خاص است (نیازهای کم عملکرد باید از قدرت محاسباتی کم استفاده کند و برعکس).
در این مقاله به چالش های پیش روی الگوی بزرگ زبان بزرگ (LLM) معماری در مورد سازگاری آنها با الزامات مختلف محاسباتی. این دو مقاله جدید در مدل های بازگشتی طراحی شده برای تقویت راندمان محاسباتی ارائه می دهد. اولین ، “مخلوط مجدد” ، بر استفاده مجدد از پارامتر متمرکز است و هدف از کارآیی بدون به خطر انداختن عملکرد است. دوم ، “مقیاس بندی محاسبات زمان آزمایش با استدلال نهفته” ، بازگشت نامحدود را برای فشار دادن مرزهای قابلیت های مدل پیاده سازی می کند. در نهایت ، در حالی که هر دو رویکرد نوید بهبود کارآیی را نشان می دهد ، مقاله نشان می دهد که ترکیب نقاط قوت آنها ممکن است بهترین نتیجه را در توسعه LLM به همراه داشته باشد.
وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
درس 90+ ما را از مبتدی به Advanced LLM Developer Certication: از انتخاب یک پروژه گرفته تا استقرار یک محصول کار کنید جامع ترین و کاربردی ترین دوره LLM در آنجا!
به سمت هوش مصنوعی منتشر کرده است ساختمان LLM برای تولید– راهنمای صفحه 470+ ما برای تسلط بر LLM ها با پروژه های عملی و بینش های متخصص!
حرفه ای رویایی خود را به سمت مشاغل هوش مصنوعی کشف کنید
به سمت AI یک هیئت شغلی ساخته شده است که به طور خاص برای یادگیری ماشین و شغل ها و مهارت های علوم داده ها متناسب است. نرم افزار ما در هر ساعت مشاغل زنده AI را جستجو می کند ، برچسب ها و طبقه بندی آنها را می کند و آنها را به راحتی جستجو می کند. امروز بیش از 40،000 شغل زنده را به سمت مشاغل هوش مصنوعی کاوش کنید!
توجه: محتوا شامل نظرات نویسندگان مشارکت کننده است و نه به سمت هوش مصنوعی.
منبع: https://towardsai.net/p/machine-learning/can-ai-learn-by-repeating-itself