返回首页
算法论文8

清华Jev-LDE:一次编辑暴涨ICL准确率

机器之心
AI 摘要

清华大学研究者:针对ICL示例选择痛点,提出Jev-LDE方法,仅对初始检索示例做一次局部编辑,就将平均1-shot准确率从81.2%提升至88.1%,仅增加11%推理成本。

阅读原文 · 机器之心
清华提出Jev-LDE:ICL示例只改一次,1-shot平均准确率就能暴涨
清华大学自动化系研究者针对大模型上下文学习(ICL)中示例选择成本高、效果不佳的问题,提出Jev-LDE方法,仅对初始检索示例做一次局部编辑,即可大幅提升1-shot准确率,推理成本增量很低。

相关文章