TL;DR
- چکیده:.
- در این مقاله،.
- ما یک مطالعه مبتنی بر شبیهسازی را برای بررسی سیستماتیک امکانسنجی کنترل تراکم مبتنی بر مدل زبان بزرگ.
چه اتفاقی افتاد
چکیده:. در این مقاله،.
ما یک مطالعه مبتنی بر شبیهسازی را برای بررسی سیستماتیک امکانسنجی کنترل تراکم مبتنی بر مدل زبان بزرگ. (LLM) انجام میدهیم.
اکتشاف در دو مرحله ساختار یافته است. مرحله اول کل قابلیت را به سخره میگیرد که در آن نقش LLM را در یک مرحله.
اجتناب از تراکم واحد و در عین حال حیاتی جدا میکنیم تا بتوانیم با خیال راحت بررسی. کنیم که چه زمانی LLM را فراخوانی کنیم،.
چه اطلاعاتی را ارائه دهیم و چگونه دستورالعملهای LLM را تدوین کنیم. بر اساس بینشهای به دست آمده،.
ما نقش LLM را به مرحله کنترل تراکم چندگانه گسترش میدهیم و یک سیاست کنترل تراکم مبتنی. بر LLM عمومیتر را پیشنهاد میکنیم.
ارزیابی ما در هر دو ردیابی شبکه استاتیک و پویا نشان میدهد که راهحل مبتنی بر LLM میتواند. تأخیر را تا 50 درصد کاهش دهد و تنها با کاهش توان نهایی (بهعنوان مثال،.
کمتر از 0. 3 درصد) در مقایسه با CCAهای سنتی، تأخیر را تا 50 درصد کاهش دهد.
بهطور کلی،. مطالعه اکتشافی ما پتانسیل LLMها را برای کنترل تراکم تطبیقی و عمومیتأیید میکند،.
و نشان میدهد که وقتی آزادی کنترل مناسب داده میشود و با یک مکانیسم راه اندازی. موثر همراه میشود،.
سیاستهای مبتنی بر LLM به دستاوردهای عملکرد قابل توجهی،. به ویژه در شرایط شبکه بسیار پویا،.
دست مییابند. شبکه و معماری اینترنت (cs.
NI) استناد بهعنوان: (یا v1 [cs. NI] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Yufei Wang [مشاهده ایمیل] [v1] شنبه،.
4 آوریل 2026،. 20:.
38:. 56 UTC (12,.
608 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.