ESTP框架：融合熵与语义预测LLM输出长度
热点事件持续更新
ESTP框架：融合熵与语义预测LLM输出长度
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月20日，arXiv人工智能板块刊出Feiyang Ren等作者的论文，提出名为ESTP（Entropy-and-Semantic Token Pooling，熵与语义Token池化）的轻量框架，用于改进大语言模型（LLM）的输出长度预测。报道称，ESTP将token级熵表示与基于注意力的语义表示相结合，在prefill阶段直接导出这两种表示，额外推理延迟和内存开销可忽略。在ForeLen基准测试上，ESTP在多数场景下预测精度优于基线、预测误差更低；与长度感知调度器集成后，端到端测试中整体吞吐提升、padding比例下降。目前该工作处于论文发布阶段，报道未提及代码开源、部署范围或第三方复现情况。
AI 根据报道生成 · 2 小时前更新
最新进展10月20日 12:00
ESTP：用熵与语义融合改进 LLM 输出长度预测报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv Artificial IntelligenceESTP：用熵与语义融合改进 LLM 输出长度预测
ESTP（Entropy-and-Semantic Token Pooling）将 token 级熵表示与基于注意力的语义表示结合，在 prefill 阶段直接导出两种表示，额外推理延迟和内存开销可忽略。在 ForeLen benchmark 上，ESTP 多数场景下预测精度优于基线、预测误差更低。与长度感知调度器集成后，端到端测试中整体吞吐提升、padding 比例下降。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。