مدلهای GFlowNet ابزاری قدرتمند برای تنظیم دقیق مدلهای زبانی (LLM) هستند، اما اغلب با مشکلاتی مثل «فروپاشی مد» و سوگیری در طول متن مواجه میشوند. پژوهشگران به تازگی روشی به نام «RapTB» معرفی کردهاند که با استفاده از «سپردهگذاری در ریشه» و استراتژی پخش «SubM»، یادگیری را بسیار دقیقتر کرده است.
این متد جدید نه تنها تنوع خروجیها (مثلاً در طراحی مولکولها) را افزایش میدهد، بلکه ثبات آموزش را نیز به طرز چشمگیری بهبود میبخشد. جزئیات بیشتر این تحقیق در مخزن گیتهاب پروژه در دسترس است.
منبع: arXiv AI