arXiv:2611.08741v1 Announce Type: new Abstract: Most LLM architectures have fixed compute demands determined at training time. We propose a novel architecture that combines the Mixture-of-Experts architecture with shallow experts and a novel dynamic-depth system to make the extent of a forward pass dynamically adjustable. Our approach lets the model automatically determine the compute needed for a given task, paired with a system to scale it down after training without retraining when the execution environment demands faster or cheaper inference. To achieve this, we introduce an iterative computation mechanism, sequence-level depth-based routing steered by a halting mechanism within the experts, a depth encoding that lets the model track its progress in the chain, and a regularization mechanism that incentivizes the model to use allocated compute efficiently. We present initial benchmarks and discuss future research directions.
AlterNet: Оқыту арқылы тоқтатумен адаптивті-тереңдік Mixture-of-Experts архитектурасы эластикалық инференс үшін
arXiv:2611.08741v1 Хабарлама түрі: жаңа Анотация: Үлкен тілдік моделілердің (LLM) көпшілігі оқыту уақытында белгіленген белгілі бір есептеу талаптарына ие. Біз Mixture-of-Experts архитектурасын астырқы эксперттермен және жаңа динамикалық-тереңдік жүйесімен біріктіретін жаңа архитектураны ұсынамыз, бұл...
AI қорытындысы: Басты тезистер
- arXiv:2611.08741v1 Хабарлама түрі: жаңа Анотация: Үлкен тілдік моделілердің (LLM) көпшілігі оқыту уақытында белгіленген белгілі бір есептеу талаптарына ие
- Біз Mixture-of-Experts архитектурасын астырқы эксперттермен және жаңа динамикалық-тереңдік жүйесімен біріктіретін жаңа архитектураны ұсынамыз, бұл...
AlterNet: Оқыту арқылы тоқтатумен адаптивті-тереңдік Mixture-of-Experts архитектурасы эластикалық инференс үшін
Ұқсас материалдар
Ripple-65B Preview: агенттік кодтауға арналған модель
🌟 Ripple-65B Preview: агенттік кодтауға арналған модель. Ricursive Intelligence 65 миллиард параметрлі агенттік бағдарламалау моделін ашық превью ретінде шығardı, бұл модель жауап беру жылдамдығына бағытталған. Компания Анна Голди мен Азалия Мирхосейни тарапынан, бұрынғы Google зерттеушілерімен құрылған…
FLEX платформасы роботтарға адамның жасырын ниеттерін түсінуді үйретеді
MIT FLEX платформасын ұсынды: роботтар адамның жасырын ниеттерін түсінуді және тіл моделі негізінде командаларды обобществлеуді үйреніп жатыр.
Апталық ТОП ИИ-жаңалықтар
📌 Апталық ТОП ИИ-жаңалықтар 🔊 ElevenLabs Sound Effects v3 — сипаттама бойынша дыбыстарды генерациялайды: қадамдар мен жарылыстардан атмосфералық фонға дейін. 🎨 OpenAI Images 2.6 — GIF-анимациялар жасайды, суреттерді тезірек генерациялайды және дайын суреттерді дәлдеп өңдейді. 🎬 Gemini Omni 1.2 Flash —…
Деректер жетіспеушілігі шарттарында LLM-нің өз-оқытуына қарай: Тиімділік, Жалпылау қабілеті және Сенімділік
arXiv:2611.08908v1 Хабарлама түрі: жаңа Анотация: Үлкен тілдік модельдердің (LLM) тез дамуы негізінен модель өлшемін арттыру және адамдармен жиналған оқыту деректері арқылы қамтамасыз етілген, бірақ бұл парадигма деректер жетіспеушілігі мен адамдардан…