Learning Less Is More: Premature Upper-Layer Attention Specialization Hurts Language Model Pretraining

Fuente: arXiv
Salvato in:
Dettagli Bibliografici
Autori principali: Zhu, Jinchang, Li, Jindong, Hao, Yuwen, Zou, Chengyu, Fu, Rong, Yang, Menglin
Natura: Preprint
Pubblicazione: 2026
Soggetti:
Accesso online:
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi