热点事件持续更新
研究团队提出基于条件信息增益的后训练框架CIG-SFT
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月12日，研究人员在 arXiv 发布基于信息论的后训练框架 CIG-SFT。该方法通过比较冻结参考模型在有任务输入和无任务输入下的 token 似然度来计算条件信息增益，以此量化任务本身所消除的不确定性，并进一步将该信息转化为标量加权的 SFT 目标。该框架无需额外训练数据或在线采样。实验结果显示，在数学推理与代码生成基准测试中，CIG-SFT 的表现持续优于标准 SFT 以及动态微调基线。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
研究人员提出 CIG-SFT 后训练框架，在数学与代码基准上表现优于标准 SFT。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 自然语言处理SFT 该学什么？基于条件信息增益的可泛化后训练方法 CIG-SFT
研究人员提出基于信息论的后训练框架 CIG-SFT，通过比较冻结参考模型在有无任务输入下的 token 似然度来计算条件信息增益，量化任务本身消除的不确定性。该方法将此信息转化为标量加权的 SFT 目标，无需额外训练数据或在线采样。在数学推理与代码生成基准上，CIG-SFT 表现持续优于标准 SFT 及动态微调基线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。