arXiv · cs.AI· Francesco Cagnetta, Casper L. Christensen·· 7 小时前
专业化之前的上下文学习：可解主题模型中的学习理论
In-Context Learning Before Specialisation: Theory of Learning in a Solvable Topic Model
arXiv:2610.21901v1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：Francesco Cagnetta, Casper L. Christensen
研究任务与主要进展
研究者提出可解主题模型的学习理论，预测上下文学习策略在训练早期出现，而专业化预测器只有在训练 token 数超过数据生成过程参数后才会出现。基于论文摘要，训练得到的 Transformer 在无需拟合参数的情况下复现了理论预测的两种尺度及分界转变。
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