Компьютерная наука > Машинное обучение [представлено 14 сентября 2026 года] Название: Distring Foundation Models for Agential What-If Rissue:Cost, Latency и Governance в гибридной архитектуре LLM+SLM View PDF HTML (экспериментальное) резюме: Tabular Final модели дают сильные нулевые прогностические показатели через интертекстовое обучение, но их высокая степень запоздания делает их практически непрактичными как решения по горячим тропам в интерактивных агентических циклах. Мы введем учителя TabPFN в компактного ученика-наставника по модели бизнес-решения на UCI Edult и пяти контрольных параметров OpenML: параметры головы классификации сжимают 53,2 M до 8546 (6220x); развернутый двухглавый кредитный трубопровод компрессирует параметры 111,4 М до 17 059 (6 532 x). Студент сохраняет точность 95,4-100,5 процента и 96,8-100,0 % AUC с наименьшей точностью по кредитным g в 95,4%; альфа = 0 контроль жесткой маркировки показывает, что мягкие цели учителя дают 2,1-7,0 балла AUK. Загрузка ссылок и цитат... Библиографические и цитационно-инструментальные средства Библиографии (что такое Исследователь?) Подключенные документы (Что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Какой умный клиент?), код, данные и СМИ связаны с этой статьей альфаXiv (Альфоксив?) Катализированные коды для документов (Кто является каталитическим устройством?) DagsHub (Чего представляет собой Dagshoub?) Gotit.pub(Что есть ГотитПуб?) Hugging Face (какая же угробная фигура?) Научный…
Diviling Foundation Models for Agential What-Isenting:Cost, Latency и Governance в гибридной архитектуре LLM+SLM
arXiv: 2609.16091v1 Annuate Type: New Habrial: Tabular Foundation Models обеспечивает сильные нулевые прогностические показатели на основе изучения in-context, но их высокая запоздалость делает их практически непрактичными в качестве горячей дорожки для принятия решений в интерактивных агентских циклах. Мы введем учителя TabPFN в компактного ученика-наставника по модели бизнес-решения на UCI Edult и пяти контрольных параметров OpenML: параметры головы классификации сжимают 53,2 M до 8546 (6220x); развернутый двухглавый кредитный трубопровод компрессирует параметры 111,4 М до 17 059 (6 532 x). Студент сохраняет точность 95,4-100,5 процента и 96,8-100,0 % AUC с наименьшей точностью по кредитным g в 95,4%; альфа = 0 контроль жесткой маркировки показывает, что мягкие цели учителя дают 2,1-7,0 балла AUK.