Une étude mesure combien de tokens du contexte un modèle de langage utilise vraiment via l’auto-attention
1 sourcemis à jour il y a 6 jpertinence 3,0 sur5
L’essentiel
Sans réentraînement, les chercheurs ne gardent que les tokens aux poids d’attention les plus élevés. De petits ensembles peuvent maintenir la NLL proche de l’attention complète, mais la taille requise varie selon les modèles.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceTimur Mudarisov, Mikhail Burtsev, Radu Statehuggingface.co
Retrieval Capacity of Self-Attention Under Competition (site externe)
How many tokens from its context does a language model actually use, and what determines that number? We study this question through self-attention.
Sur les mêmes thèmes
Recherche
Xiaomi publie MiMo-V2.6-Pro, un modèle open-weights omnimodal de 1 000 milliards de paramètres
Recherche
Xiaomi MiMo publie MiMo-V2.6-Distill-Qwen-9B, un modèle agentique de 9 milliards de paramètres
Recherche
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
Recherche
OpenAI publie 722 manuscrits de mathématiques issus d’un modèle interne non diffusé
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5