La guía de Volodymyr Kuleshov sobre LLMs de difusión traza el camino de máscaras a modelos
Publicado el 5 de julio, el profesor de Cornell y cofundador de Inception explica el desruido enmascarado, la generación de longitud variable y el compromiso entre calidad y velocidad.
By RuntimeWire Staff · Published
Primary source: Kuleshov Group
Por qué importa
Kuleshov está convirtiendo años de investigación de Cornell en un stack de desarrollo para la apuesta comercial de Inception: que la generación paralela de texto puede hacer que los agentes de IA sean más rápidos y más baratos sin sacrificar demasiada calidad.
Volodymyr Kuleshov (@volokuleshov), el profesor de Cornell y cofundador de Inception, publicó una guía técnica el 5 de julio que explica cómo los investigadores pueden convertir la predicción de tokens enmascarados en un modelo de lenguaje por difusión funcional. El documento presenta una ruta de desarrollo coherente alrededor de un campo que en los últimos dos años ha pasado de artículos académicos a productos de Inception, Google y NVIDIA.…
When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.