上下文选择相关 AI 资讯 · AI 热点

7月30日

09:22

09:22

官方一手arXiv: DeepSeek@Peiding Wang, Li Zhang, Fang Liu

MRCoder采用Map-Reduce范式，在Map阶段通过轻量草稿模型和结构感知草稿引导选择(SADGS)筛选信息上下文，在Reduce阶段聚合上下文并利用并行验证加速解码。在CoderEval和DevEval基准上，使用Qwen2.5-Coder和DeepSeek-Coder作为骨干模型时，MRCoder提升了代码生成准确率，同时减少了30%到50%的token消耗，推理时间降低最多52%。该方法相比现有RAG及上下文选择方法更高效地平衡了质量和计算开销。

论文 MRCoder Qwen2.5-Coder DeepSeek-Coder

推荐理由：MRCoder用Map-Reduce思路解决仓库级代码生成的上下文选择难题，比现有RAG方法节省30-50% token，推理快52%，在CoderEval和DevEval上准确率更高。

5月27日

10:53

10:53

官方账号arXiv cs.LG@Oroel Ipas, Guillermo Gomez-Trenado, Rocío Romero-Zaliz, Isaac Triguero

精选

在低标注表格学习场景中，如何选择标注实例是关键挑战。对于TabPFN等表格基础模型，上下文选择直接影响预测性能。有监督实验表明，精心选择的标注集能显著优于随机选择。但冷启动场景（无标签时选择实例）研究不足。LUCoS方法利用无监督预训练网络的潜在几何结构选择代表性样本作为上下文，在67个数据集上平均AUC、ACC和F1排名第一。该方法通过覆盖度和表示空间的选择机制，有效避免了原始特征空间选择失效的问题。

论文表格基础模型无监督学习上下文选择

推荐理由：做表格数据标注或低资源学习的团队，LUCoS解决了冷启动下上下文选择的核心难题，无需标签就能显著提升模型效果，值得在TabPFN等模型上试试。