University of Maryland, College Park（马里兰大学帕克分校）

Why Pass@k Optimization Can Degrade Pass@1: Prompt Interference in LLM Post-training

为何Pass@k优化会损害Pass@1：LLM微调中的提示干扰

Anas Barakat, Souradip Chakraborty, Khushbu Pahwa, Amrit Singh Bedi

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Central Florida（佛罗里达中央大学） 纠错

AI总结 该研究揭示了在LLM微调中，pass@k优化可能损害pass@1的原因，通过梯度冲突和提示干扰机制，提出了理论解释并验证了实验结果。

Comments updated related work discussion

Relating the Neural Representations of Vocalized, Mimed, and Imagined Speech

将发声、模仿和想象性言语的神经表示联系起来

Maryam Maghsoudi, Rupesh Chillale, Shihab A. Shamma

机构 * University of Maryland - College Park（马里兰大学-学院公园） 纠错

AI总结 该研究通过训练线性模型发现，不同语音条件下的神经表示存在共享结构，线性模型在刺激层面的可区分性优于非线性模型。