研究员提出用行列式点过程 DPP 提升模型输出多样性
nanjiang_cs · x · 2026-11-21
针对模型输出趋同/多样性不足的问题,作者提出重新启用 determinantal point processes(DPP)作为解决方案。
- DPP 是定义在输出集合(而非单个字符串)上的概率分布:一个集合被采样的概率,随其成员质量更高、且嵌入向量方向更分散而提高。
- 即同时奖励「单条质量高」与「集合内彼此不同」,天然适合用来对抗输出同质化。
- 评论者 @nanjiangcs 表示看到主推的可视化立刻联想到 DPP,并提到曾在密歇根与 DPP 领域学者 Alex Kulesza 有交集。
「研究」频道最新
- CT-Bench 被.COLM 2026 接收:研究 LLM 智能体自谈判合约合作 — maxhkw · 2026-11-21
- Frank Nielsen 演示:对偶平坦空间中测地三角形的非常规几何 — FrnkNlsn · 2026-11-21
- 谷歌 Pro² Agent 登顶 MLE-Bench:奖牌率 76% 创最高纪录 — dair_ai · 2026-11-21
- Phillip Isola:把语言当作一台「相机」,分辨率与色彩空间是什么? — phillip_isola · 2026-11-21
- 黎曼猜想迎来纯人类证明,AI 竞赛之外再添变数 — davilagrau · 2026-11-21
- PlaceBench 实测 6 款语音助手:150 问里 Ask Maps 答错 30 个垫底 — whowasntright · 2026-11-21