研究提出预填充解码长度预测的理论误差界
热点事件持续更新
研究提出预填充解码长度预测的理论误差界
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
Haowen Shi 等作者发表论文，将大模型推理调度中的解码长度预测视为停止随机过程，推导出每个基于预填充侧隐藏状态的方法都必须遵守的误差界，并提出方差仿射定律 σ=αμ+b。作者称，现有基准把预测器质量与任务难度混为一谈，模型、数据集或采样配置一变，准确率即崩塌。 实验显示，MLP、EGTP、FiLM、soft-label 与 MoE 等预测器在固定条件下性能趋同并逼近该界，作者据此认为系统误差主导模型误差。该结论针对预填充侧方法，尚未证明可推广到其他预测路径。
AI 根据报道生成 · 3 小时前更新
最新进展10月31日 12:00
基于预填充的解码长度预测存在根本性极限：LLM 推理调度预测器受自回归随机性约束报道时间线
沿着报道，了解事件的不同侧面。
10月31日
- arXiv cs.AI基于预填充的解码长度预测存在根本性极限：LLM 推理调度预测器受自回归随机性约束
研究揭示当前 LLM 解码长度预测基准将预测器质量与任务难度混为一谈，模型、数据集或采样配置一变，准确率即崩塌。作者将解码视为停止随机过程，推导出每个预填充侧方法都必须遵守的误差界，并给出方差仿射定律 σ=αμ+b。实验显示 MLP、EGTP、FiLM、soft-label 与 MoE 等预测器在固定条件下性能趋同并逼近该界，证明系统误差主导模型误差。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月31日 22:00
- 近 24 小时变化
- –
02468
22:0023:0011月1日
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。