研究者提出自适应幂采样APS提升LLM推理
热点事件持续更新
研究者提出自适应幂采样APS提升LLM推理
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
研究者提出一种名为自适应幂采样（APS）的LLM推理采样方法，无需额外训练，在测试时按查询动态调整锐化指数，依据是答案一致性与模型自奖励之间的关系。 在MATH500、HumanEval和GPQA等推理任务上，APS一致优于固定锐化指数的power sampling。该结果由论文作者报告。 APS由Bingnan Xiao等作者提出，相关论文发布在arXiv cs.AI。
AI 根据报道生成 · 8 小时前更新
最新进展10月7日 12:00
Adaptive Power Sampling：面向 LLM 推理的查询自适应幂采样方法报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.AIAdaptive Power Sampling：面向 LLM 推理的查询自适应幂采样方法
研究者提出 Adaptive Power Sampling（APS），一种无需训练的 LLM 推理采样方法，按查询动态调整锐化指数，依据答案一致性与模型自奖励的关系在测试时逐查询设定。在 MATH500、HumanEval 和 GPQA 等推理任务上，APS 一致优于固定锐化指数的 power sampling，且无需额外训练。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。