Parameter Golf挑战赛教会了我们什么
Parameter Golf挑战赛展示了AI辅助研究的潜力,包括训练优化、量化、测试策略和新模型创意。
入选理由:超过1,000名参与者提交了2,000多个方案,展示了广泛的技术创造力。
概念
别名:Low-Rank Adaptation
低秩适配技术,通过冻结主模型并训练少量参数实现高效微调。
已跟踪 7 条高相关材料
最近变化
2026-06-04 · 使用LoRA冻结120M参数主模型,仅训练低秩适配器以高效适配私有数据。
为什么值得关注
LoRA 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
What Parameter Golf taught us about AI-assisted research
OpenAI Blog · 8.5 分
Parameter Golf挑战赛展示了AI辅助研究的潜力,包括训练优化、量化、测试策略和新模型创意。
Five Ways to Fine-Tune Chronos-2, the Time Series Foundation Model
Towards Data Science · 8.2 分
Chronos-2时间序列基础模型可通过LoRA微调解决零样本预测偏差,文章详解了单建筑适配、组合池化、协变量注入等五种实战场景及数据划分规范。
Vol.119|对话 Macaron AI 创始人 Andrew:下一代模型公司正在从 Agent 产品里长出来?
开始连接LinkStart · 8.2 分
Mind Lab(Macaron AI)创始人Andrew提出,下一代模型公司正从Agent产品中诞生,通过LoRA强化学习和持续学习技术,在真实场景中让AI Agent不断进化,实现个性化、可交互的长期智能服务。
已收录 7 条与 LoRA 相关的内容,按评分排序。
Parameter Golf挑战赛展示了AI辅助研究的潜力,包括训练优化、量化、测试策略和新模型创意。
入选理由:超过1,000名参与者提交了2,000多个方案,展示了广泛的技术创造力。
Chronos-2时间序列基础模型可通过LoRA微调解决零样本预测偏差,文章详解了单建筑适配、组合池化、协变量注入等五种实战场景及数据划分规范。
入选理由:使用LoRA冻结120M参数主模型,仅训练低秩适配器以高效适配私有数据。
Mind Lab(Macaron AI)创始人Andrew提出,下一代模型公司正从Agent产品中诞生,通过LoRA强化学习和持续学习技术,在真实场景中让AI Agent不断进化,实现个性化、可交互的长期智能服务。
入选理由:Mind Lab实现了万亿参数规模的LoRA强化学习,并构建了支持DSA和MTP的LoRA RL基础设施。
文章介绍互联网中断时的替代通信方案,包括LoRa协议和Meshtastic设备。
入选理由:LoRa协议可实现几十公里无线通信,设备成本低至几百元。
AI提升白领产能催生四天工作制设想,但收益多被资本攫取;YouTube将自动为逼真AI视频打标;Opus 4.8小幅改进,社区更关注GRAM小模型路径;LLM事实核查分歧大;Win10可4K运行《模拟城市3000》。
入选理由:AI提升生产力未显著改善普通开发者薪资与休假,反而加剧财富集中,需政策与工会集体行动保障员工权益
RecursiveMAS 提出 Agent 间直接传递内部向量而非文本,减少 token 翻译开销,在数学推理任务上提升 13–18 个百分点,推理快 2.4×,Token 节省 75%。
入选理由:Agent 协作中文字中转导致严重信息损失与计算冗余
Fireworks AI 宣布 Qwen 3.5 正式接入其训练平台,支持 SFT/DPO/RLHF 等全栈微调方式、256K 上下文及 LoRA/全参微调。
入选理由:Qwen 3.5 已上线 Fireworks AI 训练平台,覆盖托管与 API 两种工作流