T
traeai
Sign in

模型

State Space Models

别名:SSMs

具有固定状态大小和快速推理能力的模型架构

已跟踪 2 条高相关材料

TraeAI 观察

最近变化

2026-11-10 · 加权状态混合方法使SSM在长上下文任务中性能提升显著

为什么值得关注

State Space Models 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。

State Space ModelsAppleApple ResearchLong-Context RetrievalNeurIPS

相关材料

已收录 2 条与 State Space Models 相关的内容,按评分排序。

Apple Machine Learning Research 图标

Weighted State Souping for Efficient Long-Context Retrieval

Apple Machine Learning Research503 字 (约 3 分钟)
85

苹果提出加权状态混合方法,在长上下文检索中实现性能提升,适用于多跳问答和工具使用等场景。

入选理由:加权状态混合方法使SSM在长上下文任务中性能提升显著

FeaturedArticle#State Space Models#Long-Context Retrieval#Apple Research#NeurIPS 2026英文
Apple Machine Learning Research 图标

On the Importance of Gating: Memorization vs. In-Context Learning in State Space Models

Apple Machine Learning Research472 字 (约 2 分钟)
85

本文揭示了门控机制在状态空间模型(SSMs)中对记忆学习和上下文学习的双重影响,解释了其在长序列任务中的性能瓶颈。

入选理由:SSMs的门控机制导致优先记忆学习,延迟上下文学习收敛

FeaturedArticle#State Space Models#机器学习#NeurIPS#Apple英文

跨材料问答 · State Space Models

回答基于:State Space Models 相关 2 条材料
    0 / 500

    AI may generate inaccurate information. Please verify important content.