提出延续相对的计算粗粒度化评估框架

2026年10月15日，arXiv Artificial Intelligence 刊出 Shihua Yu、Yanzhi Wang、Tianchi Chen 的论文，提出“延续相对”评估框架，用于判断能否用更便宜的模块替换一段计算更新。该框架以替换之后所接续的计算为评估对象，用下游任务质量与总执行成本作为联合判据。论文在两个冻结预训练语言模型上比较了不同拟合目标：在 1.7B 参数模型的预设比较中，以下一 token 损失训练可将分布内负对数似然降低 0.1901 nats/token，但在全部九组分布偏移配对比较中排名出现反转。论文同时给出失效模式分析，说明表示保真度与任务损失所偏好的拟合目标并不一致。上述数字与结论均来自该论文自身的实验设置，尚未见后续独立跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。