可训练量子原生语言模型论文发布，性能仍逊经典基线

Deniz Yunus Göğüş 等人在 arXiv 发布一项研究，提出字节级自回归的量子原生语言模型：隐藏状态保存在小型量子寄存器中，转移由学习型、按 token 条件化的量子通道和耗散门实现，下一字节概率直接通过 Born 测量得到，无需经典词汇投影或 softmax。 作者明确声明，所测试的模型均可经典模拟，且性能明显差于经典 n-gram 基线，不主张任何计算上的量子优势。在 IBM Heron 硬件上，12 个电路的记忆寄存器分布相对均匀零假设均显示信号（前缀最长 12 个 token），下一比特概率在 4 token 前缀时通过预注册的准确度门槛，并能通过采样实测比特概率自回归地生成字节。 在模型能力方面，门控模型相对重新训练、参数匹配的单 token 对照，在上下文长度 12 时测试负对数似然改善 0.20±0.03 nats/byte，更长上下文改善 0.29–0.33；但从未超过重新训练的双 token 对照。

AI 根据报道生成 · 3 小时前更新