搜尋結果
2024年5月26日 · 1. 自然语言理解. 作者在自然语言理解的 GLUE 基准测试上对傅立叶微调方法进行了评估。 基线对比方法包括全量微调（FF，Full Finetuning）、Bitfit、适应器微调（Adapter Tuning）、LoRA、DyLoRA 和 AdaLoRA。 下表展示了各种方法在 GLUE 各个任务上的表现及其所需的训练参数量。 结果表明，傅立叶微调以最少的参数量达到了甚至超越了其他微调方法的性能。 2. 自然语言指令微调.
2024年5月21日 · 美国天体物理中心研究系外行星大气层的天文学家梅赛德斯·洛佩斯·莫拉莱斯（Mercedes López Morales）说，处理所有这些观测“原本是我们不可能完成的任务，像 AstroAI 这样的东西出现的时间刚刚好，就在这些数据洪流向我们袭来之前。 2023 年，洛佩斯·莫拉莱斯与当时在 AstroAI 实习的本科生马耶尔·奥宾（Mayeul Aubin）合作，建立了一个机器学习模型，可以更有效地从光谱数据中提取分子组成。
