Evolución del parámetro de escala Weibull en entrenamiento AdamW
La evolución del parámetro de escala Weibull en entrenamiento AdamW: crecimiento, overshoot y relajación explicados por tres fuerzas. Alineación domina con
#optimización de transformadores
Poda de Cabezas de Atención Complementaria en Transformadores
Descubre CAHP: poda de cabezas de atención basada en teoría de grafos que reduce parámetros sin ajuste manual, mejorando la eficiencia de los transformers.