Adeyemi Adeseye 等提出 ELBP 架构，用小语言模型在端侧预测用户协助需求
热点事件持续更新
Adeyemi Adeseye 等提出 ELBP 架构，用小语言模型在端侧预测用户协助需求
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Adeyemi Adeseye 等向 arXiv 提交论文，提出证据驱动的本地行为预测架构 ELBP，用 3B 参数及以下的小语言模型在端侧预测用户未来的协助使用需求。研究称，Qwen2.5-3B 搭配 ELBP 取得全量 F1 0.80、PR-AUC 0.84，较原始事件提示相对提升 15.9%，较 XGBoost 提升 17.6%，全量 ECE 相对降低 43.2%。 ELBP 为四层架构，包含确定性交互处理、双视角行为表示、基于小语言模型的预测以及带弃答机制的证据验证。评测覆盖原始、结构化、双视角与完整 ELBP 四种配置，对象限于三个 3B 参数及以下的指令微调模型。上述效果为论文作者的说法，尚未经第三方验证。
AI 根据报道生成 · 1 小时前更新
最新进展10月26日 12:00
面向未来协助需求预测的 ELBP 证据驱动小语言模型行为预测架构报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.AI面向未来协助需求预测的 ELBP 证据驱动小语言模型行为预测架构
研究提出证据驱动本地行为预测架构 ELBP，用小语言模型在端侧预测用户未来的协助使用需求。在 3B 参数及以下的指令微调模型中，Qwen2.5-3B 搭配 ELBP 取得全量 F1 0.80、PR-AUC 0.84，较原始事件提示相对提升 15.9%，较 XGBoost 提升 17.6%，全量 ECE 相对降低 43.2%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。