吴恩达团队新作！ManyICL

文章预览

来源： 机器之心 本研究评估了先进多模态基础模型在 10 个数据集上的多样本上下文学习，揭示了持续的性能提升。批量查询显著降低了每个示例的延迟和推理成本而不牺牲性能。这些发现表明： 利用大量演示示例可以快速适应新任务和新领域，而无需传统的微调 。 论文地址： https://arxiv.org/abs/2405.09798 代码地址：https://github.com/stanfordmlgroup/ManyICL 背景介绍 在近期的多模态基础模型（Multimodal Foundation Model）研究中，上下文学习（In-Context Learning, ICL）已被证明是提高模型性能的有效方法之一。 然而，受限于基础模型的上下文长度，尤其是对于需要大量视觉 token 来表示图片的多模态基础模型，已有的相关研究只局限于在上下文中提供少量样本。 令人激动的是，最新的技术进步大大增加了模型的上下文长度，这为探索使用更多示例进行上下文学习提供 ………………………………