On-Device LLM for Context-Aware Wi-Fi Roaming
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
机构 * School of Electronic Science and Engineering, Nanjing University, China(南京大学电子科学与技术学院) ; ESAT-MICAS, KU Leuven, Belgium(KU莱顿大学ESAT-MICAS)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);post-training(abstract)
Comments To appear in 2025 IEEE International Symposium on High-Performance Computer Architecture (HPCA 2025)
机构 * Carnegie Mellon University(卡内基梅隆大学) ; University of Michigan(密歇根大学) ; Allen Institute for AI(人工智能阿伦研究所)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);language agent(abstract)
机构 * Georgia Institute of Technology(佐治亚理工学院) ; Intel Labs(英特尔实验室) ; Intel Corporation(英特尔公司)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);foundation model(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);instruction tuning(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);preference optimization(abstract)
Comments Under review
专题命中 效率与部署 :language model(title,abstract);LLM(abstract);large language model(abstract);post-training(abstract)
专题命中 效率与部署 :language model(title,abstract);LLM(abstract);large language model(abstract);SLM(abstract)
专题命中 效率与部署 :post-training(title,abstract);LLM(abstract);large language model(abstract);language model(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);language agent(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 效率与部署 :language model(title,abstract);large language model(abstract);small language model(abstract);pretraining(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);SFT(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);instruction tuning(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
Comments Accepted in Findings of ACL 2024
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);pretraining(abstract)
Comments Accepted by International Conference on Machine Learning (ICML) 2024
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 效率与部署 :foundation model(title,abstract);language model(abstract);instruction tuning(abstract);pretraining(abstract)
Comments Published in NAACL 2024 Demo Track
专题命中 效率与部署 :language model(title,abstract);instruction tuning(abstract);pretraining(abstract);prompting(abstract)
Comments ICLR 2024
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);small language model(abstract)
Comments 82 pages, 9 figures, 54 tables
专题命中 效率与部署 :language model(title,abstract);large language model(abstract);post-training(abstract);prompting(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);pretraining(abstract)
Comments Extended preprint
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);prompting(abstract)
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);post-training(abstract)
Comments To appear at ICML 2024. Code is available at https://github.com/SNU-ARC/any-precision-llm
专题命中 效率与部署 :LLM(title,abstract);large language model(abstract);language model(abstract);foundation model(abstract)
Comments https://github.com/MobileLLM/Personal_LLM_Agents_Survey
自蒸馏作为大语言模型的性能恢复机制:对抗压缩与灾难性遗忘
机构 * PayPal AI
专题命中 效率与部署 :LLM(abstract,abstract_cn);SFT(abstract,abstract_cn);large language model(abstract);language model(abstract)
AI总结 本文提出基于自蒸馏微调的性能恢复框架,通过理论分析和实验验证,证明自蒸馏能有效恢复模型能力,揭示了高维流形对齐与性能恢复之间的强相关性。
Comments 18 pages, 8 figures
单个冻结模拟器不够:多智能体强化学习中的模拟器崩溃问题
机构 * Northeastern University(东北大学) ; New York University(纽约大学) ; UC Berkeley(加州大学伯克利分校) ; University of Washington(华盛顿大学) ; Stanford University(斯坦福大学)
专题命中 效率与部署 :LLM(summary_cn,abstract);large language model(abstract);language model(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷,提出Verbalized Sampling和Co-Training两种方案,在多轮基准测试和真实用户研究中显著提升了性能,发布了开源框架SCOPE。
Comments 42 pages, 29 figures
利用机器遗忘实现高性价比的偏好对齐
专题命中 效率与部署 :LLM(summary_cn,abstract);large language model(abstract);language model(abstract);分类 cs.CL、cs.AI、cs.LG
AI总结 该研究针对现有偏好对齐方法成本高的问题,提出结合LLM遗忘的U2A框架,通过双层优化实现负示例的最优选择与遗忘,经实验验证有效。
Comments Accepted by ICML 2026. 12 pages, 6 figures, and 4 tables. Code available at https://github.com/muyiahhh/U2A