Beli Kripto
Bayar dengan
USD
USD
Beli & Jual
Hot
Mendukung Visa, Mastercard, SEPA, dll.
P2P
0 Fees
Perdagangan fleksibel, nol biaya
Gate Card
Gunakan kripto untuk pembayaran global
Market
Perdagangan
Dasar
Lanjutan
Futures
Futures
Akses ribuan kontrak perpetual
CFD
Emas
Satu platform aset tradisional global
Opsi
Hot
Perdagangkan Opsi Vanilla ala Eropa
Akun Terpadu
Memaksimalkan efisiensi modal Anda
Perdagangan Demo
Pengantar tentang Perdagangan Futures
Bersiap untuk perdagangan futures Anda
Acara Futures
Gabung acara & dapatkan hadiah
Perdagangan Demo
Gunakan dana virtual untuk merasakan perdagangan bebas risiko
Saham AS
CFD
Derivatif CFD Saham AS
Futures
Leverage tinggi, perdagangan 24/7
Tokenized Stocks
Didukung oleh aset saham nyata
GUSD
Mint GUSD untuk Imbal Hasil Treasury RWA
Earn
Peluncuran
CandyDrop
tag
Koleksi permen untuk mendapatkan airdrop
Launchpool
Staking cepat, dapatkan token baru yang potensial
HODLer Airdrop
Pegang GT dan dapatkan airdrop besar secara gratis
Pre-IPOs
Buka akses penuh ke IPO saham global
Poin Alpha
Perdagangkan aset on-chain, raih airdrop
Poin Futures
Dapatkan poin futures dan klaim hadiah airdrop
Investasi
Square
Kotak
Temukan nilai dalam kripto
Live
moments live
Analisis live pasar kripto
Chat
Mengobrol dengan trader kripto
Berita
Apa yang terjadi di kripto
flower_head
Lainnya
Promosi
AI
Lainnya
TradFi
Hadiah
Square
Terbaru
Populer
Berita
Profil

Δ-Mem：Efisiensi Memori Online yang Cocok untuk Model Bahasa Skala Besar

MeNews
robot
Pembuatan abstrak sedang berlangsung
ME News Berita, 16 Mei (UTC+8), para peneliti mengusulkan Δ-Mem, sebuah sistem memori online yang efisien yang dirancang khusus untuk model bahasa besar. Sistem ini secara signifikan mengurangi penggunaan memori dengan hanya menyimpan dan memperbarui perubahan inkremen dari aktivasi model, bukan status aktivasi lengkap. Eksperimen menunjukkan bahwa Δ-Mem dapat mengurangi penggunaan memori hingga 70%, sambil mempertahankan kualitas output model hampir tanpa kehilangan. Metode ini membantu dalam penerapan dan menjalankan model bahasa skala besar di lingkungan dengan sumber daya terbatas, meningkatkan kelayakannya dalam skenario inferensi online dan pembelajaran berkelanjutan. (Sumber: AiHot)
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
  • Hadiah
  • 10
  • 2
  • Bagikan
Komentar
Tambahkan komentar
Tambahkan komentar
DeltaSmile
· 1jam yang lalu
Kualitas output tanpa kehilangan adalah yang paling penting, banyak skema kompresi mengorbankan terlalu banyak ketepatan.
Lihat AsliBalas0
PickingUpAirdropsInTheFog
· 6jam yang lalu
Kemampuan pembelajaran berkelanjutan ini sering diremehkan, padahal sangat penting untuk model yang dipersonalisasi.
Lihat AsliBalas0
InvisibleMarketMaker
· 6jam yang lalu
Penurunan memori sebesar 70% memang mengagumkan, tetapi dalam skenario online, apakah biaya komputasi untuk pembaruan inkremental tidak akan menjadi hambatan baru?
Lihat AsliBalas0
ColdStartUnderTheAurora
· 6jam yang lalu
Akhirnya ada yang serius menangani masalah dinding memori LLM, menantikan pekerjaan selanjutnya.
Lihat AsliBalas0
HotAirBalloonCrossingMountains
· 6jam yang lalu
Rasa dan perhatian jarang dapat digunakan secara bersamaan, kompresi ganda.
Lihat AsliBalas0
PettyLp
· 6jam yang lalu
Sistem memori online ini sangat akurat dalam penempatannya, mengisi kekosongan di tahap penalaran.
Lihat AsliBalas0
CheckTheBlockchainBefore
· 6jam yang lalu
Bagaimana kompatibilitas metode penyesuaian kecil parameter yang efisien seperti rasa ingin tahu dan LoRA.
Lihat AsliBalas0
ProtocolPaladin
· 6jam yang lalu
Jika arah ini dibuka sumber, komunitas bisa berkreasi dengan banyak variasi.
Lihat AsliBalas0
PerpPessimist
· 6jam yang lalu
Menggunakan kumpulan data evaluasi apa untuk percobaan? Apakah GLUE atau tugas penalaran yang lebih kompleks.
Lihat AsliBalas0
TokenomicsMechanic
· 6jam yang lalu
Apakah 70% adalah batas maksimum atau rata-rata? Apakah perbedaan kinerja besar antara model dengan skala berbeda?
Lihat AsliBalas0
Lihat Lebih Banyak

  • Disematkan

peta situs