Bilanz der Quelle: Eine neue arXiv-Arbeit führt die Token-Wirksamkeit eta ein und zeigt, dass durch Wiederholung oder Paraphrase erzeugte Tokens je nach Modellgröße und Datenmenge zwischen wertlos und vollwertig sind. Dadurch zerfällt Pretraining in drei Regimes und die klassische compute-optimale Allokation ist in den meisten praktisch relevanten Fällen suboptimal.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Kalina Digest unterstützen
Lesen bleibt frei. Wer mag, gibt etwas zurück — ab 1 € einmalig, oder als Stufe für einen Monat, ein Quartal oder ein Jahr. Bisher: 5.00 € aus 1 Beiträgen.
