提出Subspace Tuning限制权重更新缓解LLM微调遗忘
热点事件持续更新
提出Subspace Tuning限制权重更新缓解LLM微调遗忘
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Arnav Chavan等作者发布论文，提出Subspace Tuning（SST）：将大语言模型微调中的权重更新限制在权重矩阵的底部奇异子空间，不沿主奇异方向更新，以缓解灾难性遗忘。 基于论文摘要，作者称SST与优化器无关，可与SFT、自蒸馏等微调方法组合；保护至多99%的权重子空间时，能力保持明显改善且目标任务性能保持较强，KL漂移较基线减少2–4倍，并在大模型规模下接近消除遗忘。材料未说明实验规模、基准和详细比较条件。
AI 根据报道生成 · 3 小时前更新
最新进展10月16日 12:00
研究提出Subspace Tuning通过限制权重更新缓解大语言模型遗忘报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv · cs.AI研究提出Subspace Tuning通过限制权重更新缓解大语言模型遗忘
研究作者提出Subspace Tuning（SST），将大语言模型微调中的权重更新限制在权重矩阵的底部奇异子空间，避免沿主奇异方向更新，以缓解灾难性遗忘。基于论文摘要，SST可与SFT和自蒸馏等微调方法组合；保护至多99%的权重子空间时，能力保持和目标任务性能同时改善，KL漂移较基线减少2--4倍，并在大模型规模下接近消除遗忘，但材料未说明实验规模、基准和详细比较条件。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月16日 16:00
- 近 24 小时变化
- –
02.557.510
16:0017:0018:00
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。