Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

КОМПАНИЯ · ENTITY #10313

Luca Zappella

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

RESEARCH · 1 ИСТОЧН. · Apple Machine Learning Research

Систематическое исследование выявляет компромисс между эффективностью и плавностью при кондиционировании LLM

Работа систематически оценивает методы кондиционирования LLM для задач внедрения и удаления концептов и показывает, что многие эффективные методы управления заметно ухудшают качество генерации. Авторы отмечают, что activation-steering существенно слабее на инструкционно дообученных моделях по сравнению с базовыми, в то время как подсказки и супервизированная дообучка годятся для внедрения концептов (но хуже для их удаления); дешёвые текстовые метрики хорошо коррелируют с оценками LLM в роли судей. Опубликовано в TMLR (18 сентября 2026 г.).

7.0

RESEARCH · 1 ИСТОЧН. · Apple Machine Learning Research

Узкое место коммуникации: раунд-трип исследование сериализации древовидных выражений в языковых моделях

В работе предложен раунд-трип протокол для оценки того, сколько древовидной структуры арифметических выражений сохраняется при сериализации в текстовые задачи и восстановлении обратно. Авторы протестировали 16 моделей попарно и показали, что канал потерь и асимметричен (смена генератора и извлекателя меняет точность до 60,4 пункта), лучшая пара достигает 92,9% корректности раунд-трипа, по крайней мере 73,6% ошибок возникают на этапе генерации, сложность определяется структурой выражения (число операторов, глубина, право-ветвление) больше, чем семейством моделей, и ≈3 600 целевых примеров дообучения существенно повышают качество открытых моделей (поднимая их выше не дообученного Gemini-3.1-Pro и давая выигрыш в случае несоответствующей доменной лексики).

7.0