以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
A central challenge in adapting large language models (LLMs) is capability preservation: an adaptation can achieve its target while degrading general capabilities. We introduce CurvDelta, a scalable framework that incorporates the preservation constraint into the parameterization of the model update. By analyzing the l
阅读原文 · Zeguan Xiao, Zhuocheng Liang, Yun Chen, Yong Wang, Guanhua Chen, Pinyan Lu
向阳乔木 · opencode-go/deepseek-v4.1-flash
大模型微调里有个老问题,大家都心知肚明,却常常被排行榜掩盖: 你把模型调会了目标能力,它别的地方可能就变笨了。 这篇 CurvDelta 想做的,是把“别把通用能力搞坏”这件事,从训练后的补救,挪到参数更新的设计里。它讨论的是能力学习(学会新东西)和选择性遗忘(忘掉指定知识)这两类任务。如果你在做微调、做知识编辑,或者被“微调完模型变傻”坑过,这篇值得扫一眼...