跳到正文
热点事件持续更新

提出 LLM 驱动权重空间编程的视觉模型基准及 ERT 方法

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

Timo Ropinski 和 Sebastian Kranz 发布了一套面向大语言模型直接修改神经网络权重的视觉模型编辑基准,涵盖 Waterbirds、CIFAR-100 等数据集。作者报告了超过 2600 次编辑过程的评估结果,指出每条编辑均在未参与训练的图片上进行评分,以衡量成功率、副作用及精度损失。 研究对比了标准训练与新型 Edit-Ready Training(ERT)方法,证明 ERT 能显著提升难以编辑网络的成功率。作者称,ERT 在所有基准中为 GPT-6 Astra 和 Claude Opus 5.5 取得了最高的平均得分,并开源了测试框架、任务定义及所有编辑轨迹数据。

AI 根据报道生成 · 1 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · 机器人与计算机视觉
    面向 LLM 驱动权空间编程的视觉模型训练研究

    论文针对大语言模型直接修改神经网络权重的能力,构建了包含 Waterbirds、CIFAR-100 等数据集的视觉模型编辑基准。作者报告了超过 2600 次编辑过程的评估结果,对比了标准训练与新型 Edit-Ready Training(ERT)方法,证明 ERT 能显著提升难以编辑网络的成功率。研究团队将开源测试框架、任务定义及所有编辑轨迹和评分数据。

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。