跳到正文
热点事件持续更新

NeurIPS 2026 论文提出 LTV 任务向量方法

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

Jihoon Kwon 等在一篇被 NeurIPS 2026 接收的论文中提出 Linear Task Vector(LTV)方法,并引入 d_NTP 指标衡量任务向量推理与 In-Context Learning(ICL)推理的下一词概率差异,将该差异作为任务向量设计的对齐准则。论文称该指标与下游准确率呈强负相关。 在 8 个分类基准和 5 个大语言模型上,论文称 LTV 比现有任务向量基线平均提升准确率 9.2%,同时降低推理延迟;此外用大模型提取的任务向量可使小模型性能提升 6.4%。

AI 根据报道生成 · 35 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月18日
  1. arXiv cs.AI
    分布对齐作为 In-Context Learning 任务向量设计准则:LTV 方法提出

    一篇 NeurIPS 2026 论文提出 Linear Task Vector(LTV)方法,用 d_NTP 指标衡量任务向量推理与 ICL 推理的下一词概率差异,该指标与下游准确率呈强负相关。在 8 个分类基准和 5 个 LLM 上,LTV 比现有基线平均提升准确率 9.2%,并降低推理延迟;大模型提取的任务向量可使小模型性能提升 6.4%。

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。