热点事件持续更新
研究团队提出DART-ES大模型微调算法
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月7日，研究团队在arXiv发布论文，提出名为DART-ES的大语言模型微调方法。该方法结合了难度感知重加权与针对性重放的演化策略，无需反向传播即可高效完成大语言模型的全参数微调。评测结果显示，在GSM8K基准上，DART-ES的平均准确率达到73.53%，超过了GRPO的73.26%；在5个数学推理基准上的平均准确率达49.20%。此外，该方法已展现出对14B模型的可扩展能力。
AI 根据报道生成 · 4 小时前更新
最新进展10月7日 12:00
研究团队发布DART-ES微调方法，无需反向传播即可实现高效全参数微调。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv 机器学习DART-ES：结合难度感知重加权与针对性重放的演化策略大语言模型微调方法
DART-ES 提出一种结合难度感知重加权与针对性重放的演化策略微调方法，无需反向传播即可高效完成大语言模型全参数微调。在 GSM8K 上该方法平均准确率达到 73.53%（超过 GRPO 的 73.26%），在 5 个数学推理基准上平均准确率达 49.20%，并展现出对 14B 模型的扩展能力。
本事件热度走势
当前热度 9·可比范围峰值 10（10月7日 13:00）·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。