AI 热点

热点事件

RecSA在超长上下文RULER评测中优于所有基线

1 篇正式报道1 条事件动态更新于 11月19日 03:20

先了解这件事

事件摘要

还没有公开综述,先看下面的报道时间线。

最新进展 · 正式报道

RecSA 研究提出以对数成本将 32K 训练模型外推至 2M tokens

事件进展

1 个已确认进展

  1. RecSA在超长上下文RULER评测中优于所有基线

    来源:UCSD Hao AI Lab

报道与讨论时间线

按时间查看正式报道与传播讨论;两类内容的证据等级保持独立。

11月19日

  1. UCSD Hao AI Lab一手

    RecSA 研究提出以对数成本将 32K 训练模型外推至 2M tokens

    UCSD Hao AI Lab 的 RecSA 在 KV cache 上构建树形结构,使每次查询成本按 O(log L) 增长,并让仅以 32K 训练的模型外推到 2M tokens。该方法从 Qwen3-4B 初始化、使用 0.62B tokens 训练,在 RULER 的 1M 测试中得分 60.5,强基线 Dense + DCA 为 40.0。在单张 H200 上,其 524K 预填充和解码分别加速 3.2×、3.8×;代码已开源,包含 kernels、Qwen3 集成、RULER 评测和延迟基准:https://t.co/qAFANlalhH

关联事件

  1. 相关事件RecSA以KV缓存树实现对数级查询成本
  2. 相关事件RecSA在RULER长上下文测试中优于全部基线
  3. 相关事件RecSA实现对数查询成本下的2M tokens外推
  4. 相关事件RecSA以对数查询成本将上下文外推至200万token