arXiv · cs.AI· Feiyang Ren, Shengtao Wen, Yu Tian, Yuanning Cui, Xiaofeng Cao, Jiangchao Yao, Xu Chen, Xiang Chen·· 1 天前
ESTP融合熵与语义表示改进LLM输出长度预测
When Entropy Is Not Enough: Reclaiming Lost Semantics in LLM Output Length Prediction
arXiv:2608.15592v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Feiyang Ren, Shengtao Wen, Yu Tian, Yuanning Cui, Xiaofeng Cao, Jiangchao Yao, Xu Chen, Xiang Chen
研究任务与主要进展
基于论文摘要，作者提出轻量级ESTP框架，将熵表示与基于注意力的语义表示结合，用于改进LLM输出长度预测。该方法在prefill阶段直接生成两类表示，相比使用外部辅助模型的方法仅增加可忽略的推理延迟和内存开销；在ForeLen基准中，ESTP在多数场景下获得更高预测准确率和更低预测误差。集成到长度感知调度器后，端到端系统测试显示其进一步提升整体吞吐并降低填充率。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org