Компьютерные науки > Искусственный интеллект [представлен 15 сентября 2026 года] Название: Sparse MLM Anchors, Dense Advention: Разрушение самореферентной версии в Wild Test-Time Appliation View PDF HTML (экспериментальное) Резюме: Willd test-time Approablement (WTA) обновляет исходную модель в режиме онлайн при небольших пробных партиях, одновременном смене распределения и несбалансированности классов во времени. Большинство методов WTTA вырабатывают свои адаптационные сигналы, включая прогнозную неопределенность, надежность выборки и геометрию местных характеристик на основе адаптированной модели. Когда исходная модель ненадежна в процессе перехода, эти сигналы могут усилить свои собственные ошибки и сформировать самопреференционную петлю. Мы представляем MASA (многовидная, LLM-апгрейдированная семантическая адаптация), которая дополняет внутренние данные модели структурированными семантическими описаниями из замороженной мультимодальной большой языковой модели (MLM). Для ограничения расходов на закладку MASA запрашивает MLM только небольшой набор различных якорей с высокой степенью надежности. Полученные в результате описания отражают семейство объекта и такие факторы, как стиль, точка зрения и оккультизация. MASA кодирует эти описания, распространяет их среди соседних испытательных образцов и хранит полученную в результате этого визуально-семантическую информацию в онлайновой памяти. Поиск информации из этой памяти обеспечивает дополнительную цель для легкой адаптации…
Спарсе MLLM Anchors, Dense Adamptation: Разрушение самореферентной панели в адаптации к диким тестовым часам
arXiv: 2609.17040v1 Annuales Type: New High Exploration: WTTA - адаптация к дикому тестовому времени (WTA) обновляет исходную модель в режиме онлайн при небольших пробных партиях, параллельных сменах распределения и дисбалансе во временном диапазоне. Большинство методов WTTA вырабатывают свои адаптационные сигналы, включая прогнозную неопределенность, надежность выборки и геометрию местных характеристик на основе адаптированной модели. Когда исходная модель ненадежна в процессе перехода, эти сигналы могут усилить свои собственные ошибки и сформировать самопреференционную петлю. Мы представляем MASA (многовидная, LLM-апгрейдированная семантическая адаптация), которая дополняет внутренние данные модели структурированными семантическими описаниями из замороженной мультимодальной большой языковой модели (MLM). Для ограничения расходов на закладку MASA запрашивает MLM только небольшой набор различных якорей с высокой степенью надежности. Полученные в результате описания отражают семейство объекта и такие факторы, как стиль, точка зрения и оккультизация. MASA кодирует эти описания, распространяет их среди соседних испытательных образцов и stor
