AI 热点

热点事件

RecSA使32K训练模型外推至2M tokens

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以对数查询成本将32K训练外推至2M tokens

事件进展

1 个已确认进展

  1. RecSA使32K训练模型外推至2M tokens

    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以对数查询成本将32K训练外推至2M tokens

    RecSA通过在KV cache上构建树状索引,将每次查询成本控制为O(log L),使仅在32K序列上训练的Qwen3-4B模型外推至2M tokens。该模型使用0.62B tokens训练,在RULER的1M长度上得分60.5,强于Dense + DCA的40.0。在一张H200上,RecSA于524K长度将预填充和解码分别加速3.2×和3.8×;博客:https://t.co/yKpRitz8zw,论文:https://t.co/cWiIZS40Cy,代码:https://t.co/qAFANlalhH。

关联事件

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