Dans l'actualité
Rethinking Neural Thickets Without Weight Perturbations
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- Neural Thickets gains come from output diversity and voting, not weight-space geometry. Frozen models with random logit perturbations match or exceed full weight perturbations.
- Pourquoi ça compte
- Matters for engineers optimizing inference ensembles on language and vision tasks, especially under domain shift or reasoning workloads.
- Vigilance
- Results are empirical on specific tasks and validation sets. Generalization to other model architectures, scales, or domains remains unclear.
- language model
- reasoning
Les patterns derrière cette actualité
- Agentic Context Engineering (Evolving Playbook)
- Latent Space Visualization
- Structured Reflection (Think Tool)
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.