← 返回模型历史

UC Berkeley 3 个模型

模型系列(2)

发布日期 公司 模型名称 系列 类型 特性
2025-02-12 UC Berkeley DeepScaleR-1.5B-Preview DeepScaleR 通过强化学习(RL)微调实现高性能推理 采用“先短后长”的上下文扩展策略(8K->16K->24K) 低成本训练(约4500美元,3800个A100 GPU小时) 结合知识蒸馏与强化学习提升小型模型推理能力
2022-12-24 UC Berkeley UC Berkeley DiT DiT 将Transformer与扩散模型融合,打破U-Net统治扩散模型的普遍认知;在计算效率和生成效果上均超越基于U-Net的经典模型;通过增加模型大小和减少输入标记数量提高性能;计算效率高(如DiT-XL/2为119 Gflops,远低于ADM-U的742 Gflops)
2020-10-15 UC Berkeley LaND - 利用自动驾驶系统故障(脱离)数据进行训练