CLAS无需训练改善多语言模型表现

Rhitabrat Pokharel、Ameeta Agrawal 和 Tanay Nagar 提出跨语言激活引导方法 CLAS，在推理时选择性调节神经元激活，无需训练或修改模型权重，以缩小主导语言与非主导语言的表现差距。 据 arXiv 摘要，CLAS 在分类和生成基准上分别取得平均 2.3 个百分点的准确率提升和 3.4 个百分点的 F1 提升，同时保持高资源语言的性能；这些结果目前来自论文摘要，材料未说明模型、基准及测试规模。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。