JHU 研究：语言、基因组、蛋白质等模型均自发涌现出上下文学习能力
DanielKhashabi · x · 2026-09-16
JHU CLSP 团队发布新研究《Convergent Emergence of In-Context Learning Across Modalities》，展示在不同模态数据上训练的模型——语言、基因组、蛋白质、图像、时间序列和整数序列——都表现出少样本上下文学习（ICL）能力。
更关键的发现是，这些不同模态模型的 ICL 表现高度相关，提示 ICL 可能是一种跨模态的收敛性涌现现象，而非语言模型特有。
所属事件:JHU 研究：多模态模型均涌现上下文学习能力(2 条相关)→
「研究」频道最新
- CS 理论突破论文开始致谢与 ChatGPT 的长对话贡献 — willcb · 2026-09-16
- Program-as-Weights:0.6B 模型跑赢 32B 直接提示,内存仅 1/50 — yuntiandeng · 2026-09-16
- RelateAnything:53M 参数模型实时推理图中物体间关系 — RexDouglass · 2026-09-16
- Gelman 转发长文:Agent 评估中的「分叉路径花园」问题 — RexDouglass · 2026-09-16
- 微软新论文：免费 pause token 让模型白赚推理算力且不加上下文 — SonglinYang4 · 2026-09-16
- Geodesic 主攻对齐预训练:让安全先验扛得住能力 RL 训练 — tomekkorbak · 2026-09-16