arXiv · cs.AI· Faridoun Mehri, Hinrich Sch\"utze·· 7 小时前
微调前呈线性的知识在微调后更能泛化
Knowledge That Is Linear Before Fine-Tuning Generalizes After It
arXiv:2610.22300v1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：Faridoun Mehri, Hinrich Sch\"utze
研究任务与主要进展
研究人员在11个语言模型和70个关系中发现，预训练表示中原关系的线性可读性能够强烈预测模型学习新关系后对未见实体的泛化能力，各模型内的 Pearson 相关系数为0.87至0.92。该关联在分别和联合控制微调主体数、答案数、原关系准确率及预训练文本出现频率后仍保持，并通过对标签分配、微调种子和语义类别进行替换后仍具稳健性。
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