Compra criptomonedas
Pagar con
USD
USD
Compra y venta
Hot
Acepta Visa, Mastercard, SEPA y más
P2P
0 Fees
Trading flexible y sin tarifas
Gate Card
Paga con tus cripto en todo el mundo
Mercados
Operar
Básico
Avanzado
Futuros
Contrato
Accede a cientos de contratos perpetuos
CFD
Oro
Plataforma global de activos tradicionales
Opciones
Hot
Opera con opciones estándar al estilo europeo
Cuenta unificada
Maximiza la eficacia de tu capital
Trading de prueba
Introducción al trading de futuros
Prepárate para operar con futuros
Eventos de futuros
Únete a eventos para ganar recompensas
Trading de prueba
Usa fondos virtuales para probar el trading sin asumir riesgos
Earn
Lanzamiento
CandyDrop
Acumula golosinas para ganar airdrops
Launchpool
Staking rápido, ¡gana nuevos tokens con potencial!
HODLer Airdrop
Holdea GT y consigue airdrops enormes gratis
Pre-IPOs
Accede al acceso completo a las OPV de acciones globales
Puntos Alpha
Opera activos on-chain y recibe airdrops
Puntos de futuros
Gana puntos de futuros y reclama recompensas de airdrop
Inversión
Square
Square
Descubra el valor en criptomonedas
En vivo
moments live
Análisis del mercado de criptomonedas en tiempo real
Chat
Chatea con traders de criptomonedas
Noticias
Lo que está ocurriendo en el mundo de las criptomonedas
flower_head
Más
Promociones
AI
Otros
CFD
Recompensas
Plaza
Más recientes
Populares
Noticias
Perfil

Stanford NLP: La mayoría de los datos de entrenamiento de agentes inteligentes públicos todavía se concentran en la fase posterior al entrenamiento

MeNews
robot
Generación de resúmenes en curso
AIMPACT mensaje, 15 de mayo (UTC+8), el equipo de NLP de Stanford señaló en Twitter que actualmente la mayoría de los datos de entrenamiento de agentes (agentic) públicos todavía se centran principalmente en la fase de post-entrenamiento, especialmente para modelos como Qwen (que pueden haber sido entrenados en una gran cantidad de datos de agentes). El equipo cree que para entrenar desde cero un buen modelo de código abierto, la cantidad de datos de agentes necesarios supera con creces la requerida solo para el post-entrenamiento con pesos abiertos, lo que destaca las deficiencias actuales en los datos de entrenamiento de agentes en la fase de preentrenamiento. (Fuente: InFoQ)
Ver original
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
  • Recompensa
  • 5
  • 8
  • Compartir
Comentar
Añadir un comentario
Añadir un comentario
NeonMeltsIceCream
· hace4h
Los modelos de código abierto quieren ponerse al día, el costo de los datos del Agente en la fase de preentrenamiento es demasiado alto, los pequeños equipos no pueden permitírselo.
Ver originalResponder0
VineGeometry
· hace4h
Siento que ahora todos están compitiendo en el entrenamiento posterior, la barrera de datos de preentrenamiento es la verdadera línea defensiva.
Ver originalResponder0
DexterRamen
· hace4h
Qwen ha sido mencionado, jaja, pero en realidad es uno de los agentes con capacidades más destacadas en el código abierto.
Ver originalResponder0
GateUser-9568ced5
· hace4h
La brecha en los datos de preentrenamiento es bastante crucial; por más que se entrene después, no se puede reparar la base.
Ver originalResponder0
Can'tSleepWithoutSigningThe
· hace4h
La opinión de Stanford es interesante, la diferencia en la cantidad de datos de los agentes inteligentes es mayor de lo que se imaginaba.
Ver originalResponder0

  • Fijado

Mapa del sitio