Dernières publications
Apple ML Research a proposé une méthode de généralisation des modèles de ML à de nouveaux domaines sans annotation
Les chercheurs d’Apple ML Research ont développé une approche de domain generalization qui s’appuie sur des données non annotées d’un nouveau domaine plutôt que sur une annotation coûteuse.
Apple a Présenté Conformal Thinking — Gestion des Risques pour les Modèles de Raisonnement Sans Tokens Supplémentaires
Apple ML Research a présenté le framework Conformal Thinking : une méthode qui gère automatiquement les budgets de tokens pour les modèles de raisonnement, garantissant des taux d'erreur spécifiés avec un calcul minimal.
Apple ML Research : comment les modèles de diffusion apprennent à sélectionner des tokens sans heuristiques manuelles
Apple ML Research propose de remplacer les heuristiques manuelles de sélection de tokens dans les modèles de langage à diffusion par des politiques apprises, afin d'éliminer l'instabilité et la nécessité d'un réglage man
Apple ML Research a proposé MemoryLLM — une « mémoire » interprétable pour les transformers
Des chercheurs d’Apple ont décrit les blocs feed-forward dans les LLM comme une mémoire neuronale de récupération et proposé une méthode pour les analyser isolément — sans tenir compte du mécanisme de self-attention.
Apple ML Research : les équipes multi-agents de LLM freinent les agents experts
Apple ML Research l’a montré : les équipes auto-organisées de modèles de langage ne produisent pas de synergie — elles freinent les agents experts au lieu de les renforcer.