آخرین به روز شده در 17 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 دو مقاله اخیر با تمرکز بر بازگشت در LLMS: یکی از آنها هدف تقویت بهره وری از طریق استفاده مجدد از پارامتر است در حالی که دیگری از یک رویکرد جدید استفاده می کند که امکان عمق بازگشت بدون محدودیت را برای افزایش عملکرد فراهم می کند. این فواید و اشکال هر دو معمار را تجزیه و تحلیل می کند ، تأکید می کند که در حالی که یک مدل عملکرد معیار برتر را نشان می دهد ، دیگری انعطاف پذیری و پتانسیل مقیاس پذیر بیشتری را ارائه می دهد. نتیجه گیری یک مدل ترکیبی را ترک می کند که هر دو روش را برای عملکرد بهینه و کارآیی ترکیب می کند.
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-recursion-make-llms-smarter-and-more-efficient