加州大学伯克利分校

别让大模型想太多了，过度思考会影响性能

作者

专注AIGC领域的专业社区，关注大语言模型的发展和应用落地，聚焦市场研究和开发者生态。研究人员揭示了高推理努力配置的大模型在执行任务时的过度思考问题，并提出减轻过度思考的方法提高了效率并降低了成本。

UC伯克利等最新实锤：LLM就是比人类啰嗦，「提问的艺术」仍难参透

作者

研究评估了大模型与人类在基于段落文本生成问题的能力上存在显著差异，包括问题类型、长度、上下文覆盖率和答案所需长度等方面。

速递｜伯克利团队450美元训练新推理模型，堪比OpenAI o1预览版

作者

研究团队NovaSky发布Sky-T1-32B-Preview，这是一种在多个关键基准测试中与OpenAI的o1早期版本具有竞争力的推理模型。训练成本约为450美元，是经济高效复制高级推理能力可能的标志。

GPT-5涌现能力可预测？UC伯克利仅使用当前模型检查点预测未来模型

作者

LLM 规模扩展面临挑战，加州大学伯克利分校团队提出预测涌现能力的任务，并通过拟合参数函数——’涌现定律’来验证和提前准确预测涌现点。研究使用四个标准 NLP 基准进行验证。