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
  • 6
  • 1
  • Bagikan
Komentar
Tambahkan komentar
Tambahkan komentar
VineGeometry
· 3jam yang lalu
Di mana melihat data eksperimen? Ingin melihat kerugian pada tugas tertentu.
Lihat AsliBalas0
AirdropMileCounter
· 3jam yang lalu
Δ-Mem + kuantisasi, apakah bisa mendorong memori video ke batas maksimal
Lihat AsliBalas0
YieldSpring
· 3jam yang lalu
Penyimpanan inkremental adalah ide yang brilian, agak mirip dengan otak manusia yang hanya mengingat bagian yang berubah
Lihat AsliBalas0
DegenLibrarian
· 3jam yang lalu
Apakah dalam skenario pembelajaran berkelanjutan akan muncul masalah akumulasi kesalahan?
Lihat AsliBalas0
PineLiquidityPool
· 3jam yang lalu
Jika ini diintegrasikan ke dalam vLLM, throughput harus meningkat pesat
Lihat AsliBalas0
QuantitativeButNotPretentious
· 3jam yang lalu
Penurunan memori sebesar 70% sangat menggiurkan, perangkat edge akhirnya bisa menjalankan model besar
Lihat AsliBalas0

  • Disematkan

peta situs