研究：MLP激活值无法预测上下文示例质量
热点事件持续更新
研究：MLP激活值无法预测上下文示例质量
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Yaseen M. Osman 等作者发表研究，测试用模型激活值优化大语言模型上下文示例选择的思路，得出负结果：在 Llama-3.2-3B 和 Qwen2.5-3B 上，MLP 与嵌入层输出（无论从 massive activations 还是前四阶矩视角看）与示例质量或任务表现均不相关，所有任务和模型的 Spearman 相关系数绝对值最高仅 0.33。 该研究针对的是基于 MLP 激活的深度主动学习方法，结论是这类激活信号不能作为挑选上下文示例的有效依据。
AI 根据报道生成 · 2 小时前更新
最新进展11月4日 13:00
基于激活值的主动学习用于上下文学习：挑战与发现报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv cs.CL基于激活值的主动学习用于上下文学习：挑战与发现
研究测试了用模型激活值优化 LLM 上下文示例选择的假设，在 Llama-3.2-3B 和 Qwen2.5-3B 上分析基于 MLP 激活的深度主动学习方法，却发现负结果：MLP 与嵌入层输出（无论从 massive activations 还是前四阶矩视角）与示例质量或任务表现均不相关，所有任务和模型的 Spearman 相关系数绝对值最高仅 0.33。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。