NeurIPS 论文:长文本生成退化主要取决于采样器
热点事件持续更新
NeurIPS 论文:长文本生成退化主要取决于采样器
1 篇报道1 个报道来源46 分钟前更新
先了解这件事
AI 综述
Allen G. Roush 等人被 NeurIPS 2026 接收的论文提出,长文本生成退化主要取决于采样器如何随温度放大候选 token 池,并据此提出 top-nsigma 采样方法,已公开全部代码和数据。 研究团队测试了 1B 至 122B 参数的 29 个开源权重模型,覆盖十项基准及最远一百万 token 的检索。结果显示,在默认温度 1 下大多数采样器表现相近;而温度 2 时,使用 top-p、top-k 或 Top-H 的编码智能体在 100 个 GitHub issue 上解决数为 0,top-nsigma 在所有基准上中位数保持温度 1 得分的 100%,top-p 只保持 26%。
AI 根据报道生成 · 25 分钟前更新
最新进展11月18日 13:00
NeurIPS 2026 论文提出长文本生成本质是采样问题,top-nsigma 高温下表现突出报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AI精选NeurIPS 2026 论文提出长文本生成本质是采样问题,top-nsigma 高温下表现突出
一项被 NeurIPS 2026 接收的研究测试了 29 个 1B 至 122B 开源模型与十项基准加一百万 token 检索,指出长文本生成退化主要取决于采样器如何随温度放大候选 token 池。
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。