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
OpenAI 与微软修改协议取消独家授权后，AWS 火速在 Bedrock 上架 OpenAI 最新模型、Codex 和全新智能体服务 Bedrock Managed Agents。亚马逊称这标志着“更深层次合作的开始”，而微软则转向 Anthropic 和 Claude 驱动的智能体产品。
深度·4月28日·2 分钟
SAS 发布 Viya MCP Server，通过 Model Context Protocol 将分析能力开放给 Claude、Copilot 等任意 AI Agent。同时推出的还有 Agentic AI Accelerator、营销多智能体系统及供应链智能体，背后是行业专有模型和治理平台 AI Navigator。
深度The New Stack·4月28日·4 分钟