Raptor:无需训练的拒知自适应树框架实现长上下文加速
热点事件持续更新
Raptor:无需训练的拒知自适应树框架实现长上下文加速
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Qishu Hu 等人提出 Raptor,这是一种无需训练的框架,旨在解决视觉语言模型(VLM)在长上下文下推测计算成本高的问题。该方法提取拒绝反馈信号来区分候选覆盖不足与过度深层扩展,据此联合调节树的深度、分支宽度及生成预算。实验在两个 VLM 和七个多模态基准上进行,实现了最高达 2.39 倍的平均加速比。
AI 根据报道生成 · 3 小时前更新
最新进展11月20日 13:00
Raptor:基于推测解码的拒知自适应树报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv · 机器人与计算机视觉Raptor:基于推测解码的拒知自适应树
论文提出 Raptor,这是一个无需训练的框架,旨在解决长视觉上下文下推测计算成本高的问题。该方法提取拒绝反馈信号来区分候选覆盖不足与过度深层扩展,据此联合调节树的深度、分支宽度及生成预算。实验在两个 VLM 和七个多模态基准上进行,实现了最高达 2.39 倍的平均加速比。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月20日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。