MCLR：以类间似然比提升条件生成

Xiang Li 等作者提出微调目标 MCLR，通过显式最大化类间似然比来增强类别特定结构。作者称，在多种模型和数据集上，该目标显著提升了无引导条件生成的效果，并缩小了与无分类器引导（CFG）的差距。 理论上，作者证明 CFG 引导得分是样本自适应加权、ELBO 近似的 MCLR 目标的唯一极小值点，从而将 CFG 解释为隐式的推理时对比对齐过程。研究还厘清了 MCLR 与 DPO、CCA、CFM 等对比目标的联系与差异。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。