Attention Sink Forges Native MoE in Attention Layers: Sink-Aware Training to Address Head Collapse

Fuente: arXiv
Guardado en:
Detalles Bibliográficos
Autores principales: Fu, Zizhuo, Zeng, Wenxuan, Wang, Runsheng, Li, Meng
Formato: Preprint
Publicado: 2026
Materias:
Acceso en línea:
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!

Ejemplares similares