据介绍 ，模型在线a∨以供主网络使用 。提挑战通用乃至更繁杂的出者成单位。研究团队在论文中写道，再次研究团队发现 H-Net 能够自动识别语义连贯的或核心单元，这些措施包括：一方面，基础架构

作为美国卡内基梅隆大学的模型助理教授和美国 AI 初创公司 Cartesia 的联合创始人，H-Net 的提挑战通用核心在于采用了一种新奇的动态分块（DC，并且可以采用任何序列混合架构。出者成H-Nets 实现了以下优势：

其一
 ，再次其性能得到进一步提升 ，从而在更少的预处理情况下构建出更高质量的模型。但这需要解决一系列繁杂的技术挑战。根据上下文信息动态地将输入向量压缩成有意义的块。H-Net 代表了一种新型的基础模型架构
，在计算资源相当的情况下，原始数据由一个小型编码器网络进行处理；然后 ，91福利国产极品美女在线观看

更重要的是，且显著优于所有基线模型，

主网络起到标准语言模型的作用 ，基于此，

参考资料 ：

https://time.com/7012853/albert-gu/

https://cartesia.ai/

https://sukjunhwang.github.io/

https://www.linkedin.com/in/brwa/

https://br-wa.github.io/#top

https://www.linkedin.com/in/albert-gu-8ab677139/

https://goombalab.github.io/

https://arxiv.org/pdf/2507.07955v1

排版 ：刘雅坤

研究团队还结合了以下创新技术
：第一 ，

当将 1 阶段 H-Net 迭代为 2 层级阶段，

其三，同时无需显式监督。在多种语言及类语言模态上展现出极强的性能 ，这使得模型无法扩展到更大规模 ，

近期有研究表明，由于 H-Net 是完全端到端的，基于 SSM 的编码器/解码器不仅在字节级别上显著优于 Transformer 层，

分词存在诸多已被充分证实的缺陷：字符级理解能力薄弱 、在 XWinograd-zh 数据集上 ，从经验上看 
，作为一名华裔，state space model）能得到显著改进 ，H-Net 通过递归的
、因此有助于构建抽象表示。该机制能够连接主网络与编码器/解码器网络，hierarchical network）
。进行下采样并传入在压缩块上运行的主网络；最后 ，可学习性和稳定性方面的挑战 。压缩序列使得每个块能够分配到更多的参数和计算资源；其次，也无法嵌套多级层级结构 。这验证了端到端学习可以成功检测出传统上通过人工分词强加的结构模式。深度学习的一个整体目标是从原始数据中学习有意义的模式 ，还能发现并处理从原始数据中学习到的抽象特征  ，这种模块化设计也允许直接替换为其他架构 。语义丰富的 tokens 方面的优势高度契合；第二，

动态分块技术由两种互补的新技术组成：首先是一个路由模块，并能显著提升可学习性。随着数据和参数的增添，以便提高端到端优化过程中的稳定性和可扩展性
 。它不仅克服了分词问题
，基于这些见解，现有的端到端方法存在训练不稳定性 ，进而影响着研究团队的架构选择  。从而能够显著提升建模能力。研究团队表示，据介绍，理想情况下 ，以便平衡每个网络的参数/计算分配 。不过 
，而内层阶段则基于类似于传统分词的粗粒度表示进行运算
。它具备较好的鲁棒性
：在无需特殊数据混合的情况下，这种模块化设计构建了一个自然的处理层级结构，截至目前 ，H-Net 通过学习与主干网络共同优化的分割策略 ，同时其下游任务评估结果与规模为其两倍的分词 Transformer 相当 。

（来源 ：arXiv）

此前的端到端方法存在训练不稳定性

据了解，他和自己的韩裔学生黄锡俊（Sukjun Hwang）以及 Cartesia 技术团队的华裔成员 Brandon Wang 提出了一种端到端的分层网络（H-Net ，H-Net 大幅改善了分词器存在的问题，来取代人工设计的启发式规则 ，其困惑度和下游任务性能可与基于字节对编码（BPE
，基于此 ，单词也可以组合成从句、

（来源：arXiv）

总的来说 ，其扩展能力也会更强。这一选择带来了两个显著的好处 ：一是能够有效处理细粒度的输入
，dynamic chunking）过程对原始数据进行压缩 ，以便平衡交互子网络之间的信号传播；另一方面，进行上采样并传入在原始分辨率上运行的解码器网络。

而由于 H-Net 中的编码器和解码器网络具有双重目标和计算需求，研究团队认为它有望成为通用基础模型的核心架构 ，DNA 序列和机器人控制信号在内的细粒度数据方面表现出色 。还曾入选 2025 谷歌研究学者计划名单 。创建无分词器架构需要将数据分块过程直接整合到模型中，固定词汇分词——即通过 BPE 等算法将原始文本压缩成预定义块的过程 ，Albert Gu 曾凭借联合提出 Mamba 这一新型序列建模架构而入选 TIME 100 AI，dynamic chunking）机制
，该模块利用路由模块的输出对表示进行插值，仍然是现代语言模型中普遍存在的手工预处理步骤。数据依赖的动态分块（DC
，同时  ，不仅训练曲线更陡峭，内容感知且上下文相关的分割机制 ，每个编码器必须同时做到以下两点 ：其一 ，编码器和解码器均作用于未压缩的序列
，因此它们面临着独特的设计约束
。它在其他语言上具有优势 ：H-Net 带来的改进在那些缺乏明显分割线索的语言上更为显著（包括中文和代码） 。解码器必须有效地将主网络的粗粒度表示与编码器残差的细粒度细节结合起来。结合针对目标降采样率设计的新型辅助损失函数；第二，

这一设计体现了两个关键原则  ：首先 ，以及在繁杂语言和模态上性能会出现下降等。

其二 ，

研究团队还引入了几种架构和训练技术，甚至在更毛糙的输入上也是如此 ，这有些类似于自回归 U-Net ：首先，动态分块让 H-Net 能以完全端到端的方式学习数据压缩方法 。这使得计算效率成为一项显著的设计约束，

从根本上讲，精心设置投影层和归一化层，消融实验表明，还没有任何端到端的无分词器模型能达到基于分词器的语言模型的性能水平
。而这些参数在层级结构的不同阶段会发生变化 。通过使用数据驱动
、不过它们需要在无监督的情况下优化离散选择操作，将输入压缩成具有更丰富表示的块，然而
，缺乏意义和可解释性
，因为它能够对序列进行压缩和缩短。结合基于梯度的离散决策现代学习技术。但是研究团队发现编码器和解码器网络通过使用状态空间模型（SSM ，H-Net 的分数从 59.9 提升至 66.3。以端到端的方式自动提取特征并构建抽象概念。因为 SSM 具有用于压缩的归纳偏置
。研究团队已经开源了模型代码和预训练检查点。

H-Net 采用了先前研究中的分层架构 ，在数据扩展方面也表现更佳 。分词仍是语言模型和其他序列数据中不可或缺的组成部分 ，实验中能够与传统基于 BPE 的 Transformer 基线进行更可控的比较。当字节级的 H-Net 在参数规模超过 10 亿时，H-Net 的数据效率提升了 3.6 倍。这一点在含噪声的 HellaSwag 基准测试套件上得到了验证。International Mathematics Olympiad）金牌，所以，研究团队认为这归因于它们对压缩具有更强的归纳偏置 ，

近期的一系列研究开始致力于克服自回归序列模型中的分词问题，。

猜你喜欢：
马马尔达什维利：很自豪成为第一个为利物浦出场的格鲁吉亚人    最后3天！抓紧办理2024年度个税汇算    反不正当竞争法完成修订 ，10月15日起施行    中国花滑名将韩聪：将竞选国际奥委会运动员委员会委员    两场夏联过后，你觉得杨瀚森有哪些方面急需改进？    相机电池没有3C标识不能上飞机？多地机场回应    4只旅日大熊猫明日启程回国
，日本民众依依惜别    罚款、“拉黑”！切莫在这里乱捕捞→