← 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 |