Distilling to Hybrid Attention Models via KL-Guided Layer Selection

Fuente: arXiv
Salvato in:
Dettagli Bibliografici
Autori principali: Li, Yanhong, Yang, Songlin, Tan, Shawn, Mishra, Mayank, Panda, Rameswar, Zhou, Jiawei, Kim, Yoon
Natura: Preprint
Pubblicazione: 2025
Soggetti:
Accesso online:
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!