热点事件观察中

PAR 提升循环语言模型长度外推能力

1 篇报道1 个报道来源1 天前更新

先了解这件事

AI 综述

研究团队提出 PAR 方法，让循环语言模型在状态追踪任务上实现长度外推。其做法是让第 k 轮循环预测前 k 步后的状态，并在每轮后把隐状态缩放到首轮尺度。在 swap-S5 任务上，用最长 32 步序列训练的 0.5B 模型在 512 步时全状态准确率达 95.5%；论文给出的对比中，此前最好的 RLT 为 55.7%，CoT 仅 0.8%。

AI 根据报道生成 · 2 小时前更新

最新进展10月20日 04:00

PAR：让循环语言模型在状态追踪中实现长度外推

报道时间线

沿着报道，了解事件的不同侧面。

10月20日

04:00
Hugging Face Daily Papers
PAR：让循环语言模型在状态追踪中实现长度外推
研究团队提出 PAR，通过让第 k 轮循环预测前 k 步后的状态、并在每轮后把隐状态缩放到首轮尺度，解决循环语言模型在状态追踪任务上的长度外推问题。在 swap-S5 上，用最长 32 步序列训练的 0.5B 模型在 512 步时全状态准确率达 95.5%，而此前最好的 RLT 为 55.7%，CoT 仅 0.8%。

本事件热度走势

可比范围当前: 4
可比范围峰值: 410月21日 12:00
近 24 小时变化: –

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。