ترکیب کردن «آداپتورهای LoRA» که هر کدوم برای یک کار خاص آموزش دیدن، همیشه یکی از چالشهای اصلی برای کاهش هزینههای ذخیرهسازی و افزایش کارایی مدلها بوده. حالا محققان در مقاله جدیدی از روشی به اسم CT-Merging رونمایی کردن که با استفاده از «جهتگیریهای اجماع» (Consensus Directions)، کیفیت ادغام این آداپتورها رو به طرز چشمگیری بالا میبره.
این روش نه تنها نیاز به SVDهای سنگین رو کاهش میده، بلکه باعث میشه مدل نهایی در کارهای مختلف دقت بسیار بالاتری نسبت به روشهای قبلی داشته باشه. گامی مهم برای اینکه مدلهای هوش مصنوعیِ چندمنظوره، سبکتر و دقیقتر بشن! 🧠✨
منبع: arXiv Computer Vision