论文提出任务分解优于扩大模型的设计方法

Tejaswi Gowda 提交至 arXiv 的论文《Decompose, Don't Expand》提出，当任务超出模型能力时，应将确定性部分交由宿主程序分解处理，只把模糊残差留给模型。论文称由此可实现“构造性对等”：在抽取出的子任务上，模型规模与性能曲线持平。论文称，许多通常整体交给模型的任务，实际上是带有小型生成核心的确定性任务。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。