01 2025 档案
摘要：![FunPapers[1]: GBDT和DNN强强联手，表格预测新突破！](https://img2024.cnblogs.com/blog/2338485/202501/2338485-20250128002902744-1869983466.png)
论文提出了Tree-hybrid MLP（T-MLP）方法，其核心思想是结合GBDT的特征选择和模型集成优势与DNN的高维特征空间和光滑优化特性，通过张量化GBDT特征门、DNN架构剪枝和反向传播协同训练MLP模型，以实现高效、有效的表数据预测。
阅读全文
论文提出了Tree-hybrid MLP（T-MLP）方法，其核心思想是结合GBDT的特征选择和模型集成优势与DNN的高维特征空间和光滑优化特性，通过张量化GBDT特征门、DNN架构剪枝和反向传播协同训练MLP模型，以实现高效、有效的表数据预测。
阅读全文
摘要：
常见的大模型微调、训练工具，包括Axolotl、Llama-Factory、Firfly、Xtuner、Swift、Unsloth、Trainer。
阅读全文
常见的大模型微调、训练工具，包括Axolotl、Llama-Factory、Firfly、Xtuner、Swift、Unsloth、Trainer。
阅读全文
摘要：
本文探讨了文本匹配的演变，从字面匹配到语义匹配，分析了各自的特点与挑战。字面匹配关注文本的精确重合度，而语义匹配则试图理解文本的深层含义。尽管语义匹配在处理复杂关系时更具优势，但仍面临长短文本匹配、词序感知和多实体关系等难题。期待未来大模型能进一步提升语义匹配的能力。
阅读全文
本文探讨了文本匹配的演变，从字面匹配到语义匹配，分析了各自的特点与挑战。字面匹配关注文本的精确重合度，而语义匹配则试图理解文本的深层含义。尽管语义匹配在处理复杂关系时更具优势，但仍面临长短文本匹配、词序感知和多实体关系等难题。期待未来大模型能进一步提升语义匹配的能力。
阅读全文
浙公网安备 33010602011771号