Buchumschlag

It Takes a Good Model to Train a Good Model: Generalized Gaussian Priors for Optimized LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Jun, Huang, Patrick, Wen, Jiangtao, Han, Yuxing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

BackSlash: Rate Constrained Optimized Training of Large Language Models
von: Wu, Jun, et al.
Veröffentlicht: (2025)

Deconstructing What Makes a Good Optimizer for Language Models
von: Zhao, Rosie, et al.
Veröffentlicht: (2024)

Ambient Diffusion Omni: Training Good Models with Bad Data
von: Daras, Giannis, et al.
Veröffentlicht: (2025)

How Good Are LLMs at Processing Tool Outputs?
von: Kate, Kiran, et al.
Veröffentlicht: (2025)

What Makes a Reward Model a Good Teacher? An Optimization Perspective
von: Razin, Noam, et al.
Veröffentlicht: (2025)

Large Language Models are Good Relational Learners
von: Wu, Fang, et al.
Veröffentlicht: (2025)

Are LLMs Good Cryptic Crossword Solvers?
von: Sadallah, Abdelrahman, et al.
Veröffentlicht: (2024)

GoodDrag: Towards Good Practices for Drag Editing with Diffusion Models
von: Zhang, Zewei, et al.
Veröffentlicht: (2024)

What Makes a Good Diffusion Planner for Decision Making?
von: Lu, Haofei, et al.
Veröffentlicht: (2025)

Generative Multi-modal Models are Good Class-Incremental Learners
von: Cao, Xusheng, et al.
Veröffentlicht: (2024)

Amazing Things Come From Having Many Good Models
von: Rudin, Cynthia, et al.
Veröffentlicht: (2024)

Greed is Good: A Unifying Perspective on Guided Generation
von: Blasingame, Zander W., et al.
Veröffentlicht: (2025)

When Bad Data Leads to Good Models
von: Li, Kenneth, et al.
Veröffentlicht: (2025)

Simple, Good, Fast: Self-Supervised World Models Free of Baggage
von: Robine, Jan, et al.
Veröffentlicht: (2025)

Inductive Models for Artificial Intelligence Systems are Insufficient without Good Explanations
von: Habaraduwa, Udesh
Veröffentlicht: (2024)

Vertical Federated Learning in Practice: The Good, the Bad, and the Ugly
von: Wu, Zhaomin, et al.
Veröffentlicht: (2025)

When Good Equations Get Bad Scores: Improving Symbolic Regression Through Better Parameter Optimization
von: Wang, Boxiao, et al.
Veröffentlicht: (2026)

An Epistemic and Aleatoric Decomposition of Arbitrariness to Constrain the Set of Good Models
von: Khan, Falaah Arif, et al.
Veröffentlicht: (2023)

Comparing Bad Apples to Good Oranges: Aligning Large Language Models via Joint Preference Optimization
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

FADE: Why Bad Descriptions Happen to Good Features
von: Puri, Bruno, et al.
Veröffentlicht: (2025)

Optimizer-Model Consistency: Full Finetuning with the Same Optimizer as Pretraining Forgets Less
von: Liu, Yuxing, et al.
Veröffentlicht: (2026)

Simulation, Modelling and Classification of Wiki Contributors: Spotting The Good, The Bad, and The Ugly
von: Méndez, Silvia García, et al.
Veröffentlicht: (2024)

AfroBench: How Good are Large Language Models on African Languages?
von: Ojo, Jessica, et al.
Veröffentlicht: (2023)

Hybrid Attribution Priors for Explainable and Robust Model Training
von: Zhang, Zhuoran, et al.
Veröffentlicht: (2025)

An Imperfect Verifier is Good Enough: Learning with Noisy Rewards
von: Plesner, Andreas, et al.
Veröffentlicht: (2026)

One-shot World Models Using a Transformer Trained on a Synthetic Prior
von: Ferreira, Fabio, et al.
Veröffentlicht: (2024)

Generalizable Heuristic Generation Through LLMs with Meta-Optimization
von: Shi, Yiding, et al.
Veröffentlicht: (2025)

Large Language Models Are Latent Variable Models: Explaining and Finding Good Demonstrations for In-Context Learning
von: Wang, Xinyi, et al.
Veröffentlicht: (2023)

Too Good to be True? Turn Any Model Differentially Private With DP-Weights
von: Zagardo, David
Veröffentlicht: (2024)

MC-GTA: Metric-Constrained Model-Based Clustering using Goodness-of-fit Tests with Autocorrelations
von: Wang, Zhangyu, et al.
Veröffentlicht: (2024)

Are Synthetic Time-series Data Really not as Good as Real Data?
von: Fu, Fanzhe, et al.
Veröffentlicht: (2024)

Adaptive Multi-Scale Goodness Aggregation for Forward-Forward Learning
von: Beigzad, Salar, et al.
Veröffentlicht: (2026)

DAOpt: Modeling and Evaluation of Data-Driven Optimization under Uncertainty with LLMs
von: Zhu, WenZhuo, et al.
Veröffentlicht: (2025)

What Makes a Good Curriculum? Disentangling the Effects of Data Ordering on LLM Mathematical Reasoning
von: Jia, Yaning, et al.
Veröffentlicht: (2025)

Heuristic Methods are Good Teachers to Distill MLPs for Graph Link Prediction
von: Qin, Zongyue, et al.
Veröffentlicht: (2025)

Imitate the Good and Avoid the Bad: An Incremental Approach to Safe Reinforcement Learning
von: Hoang, Huy, et al.
Veröffentlicht: (2023)

Bad Values but Good Behavior: Learning Highly Misspecified Bandits and MDPs
von: Banerjee, Debangshu, et al.
Veröffentlicht: (2023)

Intelligently Weighting Multiple Reference Models for Direct Preference Optimization of LLMs
von: Wu, Skyler, et al.
Veröffentlicht: (2025)

Recommender Systems for Good (RS4Good): Survey of Use Cases and a Call to Action for Research that Matters
von: Jannach, Dietmar, et al.
Veröffentlicht: (2024)

GWT: Scalable Optimizer State Compression for Large Language Model Training
von: Wen, Ziqing, et al.
Veröffentlicht: (2025)