AITOP

模型规模

共 4 条相关 AI 资讯
7月9日
09:51
09:51官方账号arXiv cs.LG@Grzegorz Brzezinka
研究使用四个波兰语Bielik模型（1.5B至11B参数）测试了504个提示，覆盖运动员、城市、作家、音乐家四个实体域（各42个知名、42个冷门但真实、42个虚构实体）。无监督激活分散性指标（逆参与率和谱熵）在AUROC 0.95-1.00范围内区分已知与虚构实体，线性探针达0.99-1.00。但事实可靠性随规模大幅提升：1.5B模型仅答对0/42知名运动员，11B模型答对19/42。在2520个答案审计中仅出现2次拒绝和1次含糊回应。
论文Bielik实体熟悉度事实可靠性激活分散性模型规模
推荐理由：这篇论文发现Bielik模型内部激活能提前判断它是否熟悉某个实体，但模型几乎不会拒绝回答，事实准确性随规模增长明显。对理解大模型胡说八道的原因很有启发。
原文
6月7日
16:05
16:05官方账号Decoder@Jonathan Kemper
精选72°
一项新研究解释了为什么大型语言模型能掌握小型模型无法学会的罕见技能。研究发现，小型模型在处理罕见任务时，频繁出现的任务会不断覆盖它们已学到的知识。研究使用了从400万到40亿参数不等的模型，详细展示了这一机制，并提出了一个实用解决方案：与其扩大模型规模，不如增加目标任务在训练数据中的出现频率。这一发现为优化模型训练提供了新思路。
论文语言模型模型规模训练数据技能学习研究
推荐理由：这项研究为AI开发者揭示了模型规模与技能学习之间的关键机制，做模型训练或数据配比的团队可以直接参考其提出的数据频率优化方案，值得关注。
原文
6月3日
10:46
10:46官方账号arXiv cs.LG@Amil Dravid, Yasaman Bahri, Alexei A. Efros, Yossi Gandelsman
精选
该研究探讨了神经网络中神经元群体是否随模型规模可预测地演化，扩展了缩放定律至损失等宏观可观测指标之外。通过分析高达30B参数的语言模型和5B参数的视觉模型，发现Rosetta神经元（跨独立训练模型激活模式相似的神经元）数量随规模呈亚线性幂律增长，但占总神经元比例缩小。研究还观察到“神经元极化效应”：Rosetta神经元随规模增加变得更选择性、更单语义，而非Rosetta神经元则保持较低选择性。一个平衡特征效用与有限神经元容量的分析模型解释了这种亚线性缩放和极化效应。结果表明存在可解释的、共享的神经元级结构缩放定律，将模型大小与神经元普遍性、选择性和专门化的系统性变化联系起来。
论文缩放定律神经元可解释性Rosetta神经元模型规模单语义性
推荐理由：这项研究揭示了模型规模如何影响神经元的可解释性和专门化，对理解大模型内部机制和设计更高效架构的AI研究者有直接参考价值，建议关注其缩放定律的实践意义。
原文
5月12日
18:54