Отбор эффективных данных для изучения in-context

arXiv:2609.0670v1 Annuate Type: New Humber: The In-context Untering (ICL) Modems помогает крупным языковым моделям адаптироваться к новым задачам без необходимости уточнения. Однако выбор оптимального сочетания демонстрационных примеров из большого числа подмножеств является сложной проблемой. Существующие подходы к отбору не моделируют сложную взаимосвязь между выборками ИКЛ и показателями УЗМ ниже по течению. Они обычно выполняют статический отбор на уровне задач, выбирая подмножества после выхода в оффлайн, которые могут не обобщать невидимые запросы. Мы представляем образцы DearICL (Data Effective Algoritm for Ranging) ICL, новые рамки, которые моделируют выбор примеров в качестве проблемы ранжирования подмножества. DearICL использует нелинейную суррогатную цель, использующую разный сортировочный алгоритм. Подход, основанный на индексе пробелов, позволяет обеспечить тонкую дистанцию хорошего оружия и пограничного оружия, которая используется в качестве вспомогательной цели для подготовки нелинейных вооружений.