Toutes les news taguées avec ce sujet.
SNAP, un transformer auto-supervisé, montre qu'un décodeur plus simple et des objectifs en espace latent améliorent la qualité des représentations géométriques apprises.
Un fine-tuning auto-supervisé basé sur la confiance réduit de 25% les tokens générés par les modèles de raisonnement, sans perte de précision.
Les flux latents gelés perdent la capacité de modéliser le mouvement. La méthode DART restaure cette dynamique en réentraînant le flux via un signal décodé, surpassant l'approche latent-only.