arXiv · cs.AI· Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos Kanatsoulis, Roshan Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec·· 11 小时前
RT-J：面向上下文高效预测的大规模关系 Transformer 预训练
RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions
arXiv:2610.17867v1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：Rishabh Ranjan, Vignesh Kothapalli, Harshvardhan Agarwal, Charilaos Kanatsoulis, Roshan Upendra, Tom Palczewski, Carlos Guestrin, Jure Leskovec
研究任务与主要进展
作者提出8500万参数的关系基础模型RT-J，使关系数据预测仅需数百个或更少的上下文示例即可运行。研究使用639个网络抓取数据库和6023个LLM生成的预测任务，以最长8192个数据库单元格预训练，并通过轻量随机游走检索器、上下文调优与集成扩展测试时计算。
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