何恺明首个语言模型：105M参数，不走GPT自回归老路
量子位2865 字 (约 12 分钟)
85
何恺明团队推出首个连续扩散语言模型ELF，仅用105M参数和45B训练token，在OpenWebText上将生成困惑度降至24，优于主流扩散语言模型。
入选理由：ELF采用连续扩散方法，仅需32步采样，生成困惑度达到24，优于主流扩散模型。
精选文章#扩散语言模型#连续扩散#何恺明#ELF#NLP中文
人物
何恺明
别名：Kaiming He
中国计算机视觉专家，曾获多项国际大奖。
已跟踪 1 条高相关材料
TraeAI 观察
最近变化
2026-05-13 · ELF采用连续扩散方法，仅需32步采样，生成困惑度达到24，优于主流扩散模型。
为什么值得关注
何恺明 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。
ELFNLP何恺明扩散语言模型连续扩散
相关材料
已收录 1 条与 何恺明 相关的内容，按评分排序。