HARP：分层剪枝减少微调数据选择评估成本

Ning Wang 等人在 arXiv 论文（arXiv:2606.07690v2）中提出 HARP，一种通过分层主动区域剪枝选择大语言模型微调数据的方法，目标是在保持下游效果的同时减少反复微调评估的成本。 方法将训练数据池组织为节点—叶层级，只对代表性叶节点做评估，再用经验贝叶斯后验推断未测样本的效用；HARP-C 控制冗余，HARP-E 奖励互补区域。 作者报告：在 3 个基座模型、3 个微调数据集和 4 个推理基准共 36 个设置中，HARP 变体在 23 个设置里取得排序类方法中的最高准确率，最强基线 NICE 为 59.3。以上为论文作者声称的结果，本站未独立核验。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。