Tin tức › Khoa học máy tính & dữ liệu
Khoa học máy tính & dữ liệuKAIST: CluSTER rút ngắn thời gian fine-tune LLM tới 69,6% mà giữ gần nguyên chất lượng
Nhóm của GS. Jae-Gil Lee (KAIST) đề xuất CluSTER: gom và chọn dữ liệu có tác dụng học tương tự nhau rồi chia đều cho nhiều GPU để giảm việc học lặp. Trên mô hình ~7B và 13B với ba bộ dữ liệu lập trình/y khoa và tám benchmark, mô hình giữ gần như cùng hiệu năng khi chỉ dùng khoảng 31% dữ liệu, thời gian huấn luyện giảm tới 69,6% (10 giờ còn khoảng 3 giờ). Thí nghiệm chủ yếu trên 4 GPU, công bố tại EMNLP 2026.
Nguồn: KAIST
Cần công cụ AI theo yêu cầu?
Mô tả ngắn yêu cầu của bạn; bạn sẽ nhận câu hỏi làm rõ và đề xuất phạm vi trước khi bắt đầu.
Tin liên quan
Khoa học máy tính & dữ liệu · 2026-11-03
NSF chọn FabAID: mạng lưới dữ liệu quốc gia 24,5 triệu USD cho nghiên cứu khoa học dùng AI
Khoa học máy tính & dữ liệu · 2026-11-02
UCL: mô hình AI "REM" tái tạo toàn bộ va chạm hạt, hiệu suất từ 61% lên 92% (trên mô phỏng)
Hệ thống máy tính & chip · 2026-11-04