CrossBERT 让冻结表示更强,训练还快了约两倍
burkov · x · 2026-07-26
来自 Meta 和 NYU 的研究指出，传统 BERT 风格文本编码器通常是在微调后才被评估，这会掩盖一个问题：预训练本身到底学到了多少可复用表示。
他们采用“冻结编码器、只在输出上训练小模型”的方式来测试表示质量，结果发现：随着模型变大，标准 BERT 的可直接复用表示反而可能变差，尽管它在 masked-word 预测上更强。
为此，论文提出 CrossBERT：
- 主编码器专注生成表示；
- 一个更小的预测器负责根据表示重建缺失词。
实验显示，CrossBERT 的冻结表示会随着规模增大而稳定提升，而标准 BERT 往往下降；同时训练速度大约快 1.5–2 倍，数据利用效率也更好。
所属事件:Meta与NYU研究指BERT缩放缺陷并推出CrossBERT(2 条相关)→
「研究」频道最新
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 一个样本就能刷过公平性基准，EMNLP 论文质疑 BBQ 可信度 — radamihalcea · 2026-10-27
- 一段手机视频生成2000条机器人演示,Real2Sem2Real媲美150条遥操数据 — Scobleizer · 2026-10-27
- 从权重范数几何理解MuonH:尺度不变网络中梯度垂直于权重 — jasondeanlee · 2026-10-27
- 用 Sail 等价性证明与 riscv-coq 交叉验证 RISC-V 规范,发现真实 bug — xennygrimmato_ · 2026-10-27
- Kokotajlo 质疑 CoT 监控性评测:如果模型不拒绝篡改思维链呢 — dfrsrchtwts · 2026-10-27