← 返回卡片

原书出处

大语言模型-基础与前沿 (熊涛)

05 第5章 上下文学习和轻量级微调

核验版本的摘录快照 · 导入于 2026-11-18T14:25:08.839Z

挥元优化器的作用,通过基于示范样本的前向计算生成元梯度,并通过注意力将这些元梯度应用于原始语言模型,从而构建ICL模型。

这一视角表明,ICL和显式微调具有基于梯度下降的优化的双重观点。唯一的区别在于,ICL通过前向计算产生元梯度,而微调则通过反向传播计算梯度。因此,ICL可以理解为一种隐式微调。

Dai等对6项分类任务进行了全面的实验,以提供经验证据来支持他们对ICL的理解。在ICL和微调设置中,对预训练GPT模型

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/大语言模型-基础与前沿 (熊涛)/_epub-src/EPUB/xhtml/chapter7.xhtml

EPUB SHA-256:1bd3e387da1e881a4b6e0214f2c7df6e30d5cdbd1f602c69fc88edacffe6743d