热点事件持续更新
研究提出生成-转换分解框架 评估小LLM团队扩展效果
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
2026年9月30日，arXiv发布一项针对小语言模型团队扩展的研究。该研究在8种Agent编排架构与5款7-9B模型上展开评估，并提出了生成-转换分解分析框架。研究发现，团队扩展的收益高度依赖任务类型：当调用次数从3次增至30次时，GSM8K等算术任务的准确率最高提升17点，但ARC、GPQA和MMLU等任务最多仅提升4点。此外，在同等调用预算下不同架构的token成本相差达2.1倍，表明团队扩展并非普适手段。
AI 根据报道生成 · 7 小时前更新
最新进展9月30日 12:00
新研究提出生成-转换分解框架，指出小LLM团队扩展在算术任务提升明显但其他任务收益有限。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv 人工智能小 LLM 团队跨编排架构扩展的精确生成-转换分解
一项研究针对 8 种 Agent 编排架构与 5 款 7-9B 模型评估小语言模型团队扩展，发现扩展收益高度依赖任务类型。调用次数从 3 次增至 30 次时，GSM8K 等算术任务准确率最高提升 17 点，但 ARC、GPQA 和 MMLU 最多仅提升 4 点。研究提出生成-转换分解方法，指出同等调用预算下 token 成本相差 2.1 倍，团队扩展并非普适手段。
本事件热度走势
当前热度 8·可比范围峰值 9（9月30日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。