10,000 USDT 悬赏，寻找Gate广场跟单金牌星探！🕵️♀️
挖掘顶级带单员，赢取高额跟单体验金！
立即参与：https://www.gate.com/campaigns/4624
🎁 三大活动，奖金叠满：
1️⃣ 慧眼识英：发帖推荐带单员，分享跟单体验，抽 100 位送 30 USDT！
2️⃣ 强力应援：晒出你的跟单截图，为大神打 Call，抽 120 位送 50 USDT！
3️⃣ 社交达人：同步至 X/Twitter，凭流量赢取 100 USDT！
📍 标签： #跟单金牌星探 #GateCopyTrading
⏰ 限时： 4/22 16:00 - 5/10 16:00 （UTC+8）
详情：https://www.gate.com/announcements/article/50848
Meta等推出BLT加速方法，内存带宽最多降低92%
AIMPACT 消息，5 月 12 日（UTC+8），Meta、斯坦福大学和华盛顿大学研究团队近日推出三种新方法，显著加速Byte Latent Transformer（BLT）的推理速度。BLT是一种直接在原始字节上运行的语言模型，通过熵基分割策略将字节动态分组为变长补丁，匹配基于分词模型性能。由于逐字节自回归解码需多次前向传递，内存带宽成为主要瓶颈。 三种加速方法如下：BLT-D采用分块离散扩散，训练结合下一字节预测和掩码字节预测损失，每次前向传递生成多字节，块大小4时内存带宽不足BLT一半，块大小16时降低87-92%；BLT-S利用轻量级本地解码器作为投机草稿器，无需额外训练，在贪婪解码下输出与标准BLT完全一致，可实现77%内存带宽减少；BLT-DV结合扩散起草与自回归验证，相同模型权重可双向使用，内存带宽降低81%。 所有方法在翻译任务上获益最多，编码任务对块大小较敏感。在ARC-Easy、ARC-Challenge、PIQA、HellaSwag、MMLU等基于可能性的基准测试上，BLT-D分数接近BLT基线，推理能力保持稳健。