EMO：测试时上下文与分布交替优化框架
热点事件观察中
EMO：测试时上下文与分布交替优化框架
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Wei Xia、Yehui Tang、Zhi-Hong Deng 等作者在 arXiv 论文（arXiv:2610.22160）中提出训练无关的测试时计算框架 EMO。该框架受期望最大化启发，交替执行问题特定的上下文估计（E 步）和分布优化（M 步），并用置信度约束的 logit 修正引导生成。 作者报告的实验结果为：在 8 个模型、6 个基准、贪心解码条件下，EMO 在 40 个汇总设置中的 39 个优于零样本基线，平均提升 9.10 个百分点；在同一评判者下，相比仅优化上下文的 TextGrad 平均再高 1.53 分，并在各模型 MMLU-Pro 上保持一致提升。上述数字来自论文摘要，尚属作者声称的实验结果。
AI 根据报道生成 · 1 天前更新
最新进展10月16日 12:00
EMO：通过交替上下文优化与 Logits 引导实现闭环测试时计算报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv · cs.AIEMO：通过交替上下文优化与 Logits 引导实现闭环测试时计算
作者提出训练无关的 EMO 框架，通过交替执行问题特定的上下文估计和分布优化，在测试时同时调整上下文并利用置信度约束的 logit 修正引导生成。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 1010月16日 13:00
- 近 24 小时变化
- -51%
02.557.510
18:0010月17日06:0012:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。