哈佛和 UIUC 提出探索式建模，数据效率最高提升 6.2 倍
ANR2ME · reddit · 2026-08-04
- 哈佛和 UIUC 的研究者提出了一个新的“第三训练轴”——Explorative Modeling。
- 帖子给出的关键结果包括：数据效率最高提升 6.2 倍、FLOP 效率提升 4.1 倍、参数效率提升 47%，并在 ImageNet 上达到接近 SOTA 的 1.43 unguided FID。
- 他们还声称，端到端的 Explorative Models 在控制任务上可用最多 256 倍更少的推理计算达到与扩散模型相近的效果。
- 核心观点是：把“探索”加入训练过程后，模型在规模变大时泛化收益会更明显，也意味着可以用训练算力换取更好的下游表现。
所属事件:哈佛与UIUC提出探索式建模，数据效率最高提升6.2倍(2 条相关)→
「研究」频道最新
- 四足机器人实机实现变形+步行:各姿态单独强化学习、变形时切换策略 — _Stocko_ · 2026-10-16
- KinoGen 用运动学视频生成直接为人形机器人合成全身操作参考动作 — ChongZzZhang · 2026-10-16
- Science Robotics 论文提出 F³ 事件相机预测表征，超越光流 — CSProfKGD · 2026-10-16
- VideoGen-Agent:基于 Qwen3-VL 的 8B 多模态 Agent 用工具循环改写视频生成 — jiqizhixin · 2026-10-16
- 前沿实验室代码多由 AI 编写，论文提出「理解力审计」安全门槛 — ronbodkin · 2026-10-16
- Not Boring 周报：可解释性乐观论、飞行跑车与 tau 蛋白降 73% — Not Boring (Packy McCormick) · 2026-10-16