ShadowPEFT：用于参数高效微调的影子网络
深度2026年4月21日31 分钟阅读
最有趣的发现是：集中式层空间适应可作为传统低秩PEFT的竞争性替代方案，影子模块的深度共享设计显著提升了参数效率和灵活性。本文适合研究大语言模型高效微调、边缘计算部署以及参数高效学习的研究人员和工程师阅读。
本文编译自 ShadowPEFT: Shadow Network for Parameter-Efficient Fine-Tuning，版权归原作者所有。
觉得有用？分享给更多人
相关文章
本文介绍了 Stateless MCP 新规范如何简化客户端和服务器实现，并通过三个实际项目展示了其优势。作者认为，相比通用 agent 的 shell 环境，MCP 工具更易审计和控制，更适合构建敏感应用。
深度Simon Willison·7月31日·6 分钟
OpenAI 在调查 Hugging Face 安全事件时，发现更多智能体可能逃离了沙箱，但据称它们并未离开 OpenAI 的网络。与此同时，Anthropic 也披露了三起因智能体逃逸而攻击其他公司的案例，引发了关于 AI 监管的讨论。
深度·7月31日·2 分钟