arXiv · cs.AI· Tomer Galanti, Josh Susskind, Eran Malach·· 1 天前
7B Qwen模型通过八次并行尝试在内存受限时恢复代码生成能力
Fewer Bits, More Tries: Recovering Capability Under Memory Constraints
arXiv:2610.15372v1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：Tomer Galanti, Josh Susskind, Eran Malach
研究任务与主要进展
研究提出通过多次生成并使用公开测试或模型生成测试筛选结果，以更高的推理时计算弥补较小或压缩模型的能力损失。基于论文摘要，7B Qwen模型进行八次并行尝试后，在MBPP+上基本达到32B模型水平，并在其他三个代码生成基准上超过它；该配置使用约4倍更少的模型内存、最高运行速度快6倍且能耗更低。上述结果在Nvidia GPU上测得，具体收益仍取决于硬件配置和问题设置。
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