标签
本文提出对Transformer编码器进行端到端微调，用于多项选择阅读理解项目的无响应项目难度建模，包括组件变体和多任务变体，表明多任务学习在小样本情况下有所改进。
PEML提出了一种参数高效的多任务学习方法，通过低秩自适应共同优化连续提示和模型权重。在多个基准测试上，平均准确率提升高达6.67%。
介绍贝叶斯模型合并（BMM），这是一个即插即用的双层优化框架，用于将多个任务特定的专家模型合并为一个单一模型，在视觉和语言基准测试上实现了最先进的性能。
本文提出了一种统一的对比学习框架，用于跨多个抽象层级（节点、邻近性、簇、图）学习图表示，并引入了一种无需参数的自适应加权机制，能够自适应地为相似度分数分配权重，在分类、聚类和链接预测等下游任务上优于现有最先进方法。
微软研究院宣布了MatterSim的更新，包括MatterSim-MT，这是一个用于材料表征的多任务基础模型，更快的模拟（速度提升3-5倍），以及一种新材料热导率预测的实验验证。
本文介绍了MELD，这是一种用于AI生成文本的检测器，它通过使用辅助头进行多任务学习（涵盖生成器家族、攻击类型和源域）来提高鲁棒性。MELD在RAID基准测试中表现出色，并在对抗攻击下保持低误报率。
本文提出Badit方法，将大语言模型参数分解为正交的高奇异值LoRA专家，以在多任务指令微调中缓解跨任务干扰。
APEX 是一个大规模的 multi-task learning 框架，利用冻结的音频嵌入来预测 AI 生成音乐的流行度和美学质量。该模型通过联合预测参与度信号和感知质量维度，在不同的生成架构上展现出了强大的泛化能力。
SAMoRA 通过引入语义感知路由器和任务自适应缩放，在 MoE-LoRA 微调中提升专家专业化与动态加权，在多任务基准上显著优于现有方法。
# 论文页 - B空间拥挤：为LoRA融合校准共享方向 来源：[https://huggingface.co/papers/2604.16826](https://huggingface.co/papers/2604.16826) 发布于4月18日 · 由[https://huggingface.co/yixuantt](https://huggingface.co/yixuantt)提交 [](https://huggingface.co/yixuantt) [yixuan](https://huggingface.co/yixuantt) 于4月21日上传 ## 摘要 通过校准共享方向，可提升LoRA适配器融合性能。
GLiNER2 是一个基于Transformer的统一框架，用于多种NLP任务，通过支持命名实体识别、文本分类和层次数据提取，在单个模型中提供比大型语言模型更高的效率和可访问性。