The Sharpness Disparity Principle in Transformers for Accelerating Language Model Pre-Training

Fuente: arXiv
Guardado en:
Detalles Bibliográficos
Autores principales: Wang, Jinbo, Wang, Mingze, Zhou, Zhanpeng, Yan, Junchi, E, Weinan, Wu, Lei
Formato: Preprint
Publicado: 2025
Materias:
Acceso en línea:
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!

Ejemplares similares