هوش گیتهوش گیترسانه، شبکه و یادگیری AI
/ ⌘K
ورود
/ ⌘K
خانهشبکهیادگیریپروژه‌ها
هوش گیتهوش گیترسانه، شبکه و یادگیری AI
صفحه اصلیشبکهاخبارپژوهشابزارهایادگیریفضاها
/ ⌘K
ورود

دسترسی سریع

دسترسی سریع تحریریه

خبرها، موضوعات، حساب کاربری و تنظیمات مطالعه همیشه در سمت راست در دسترس‌اند.

حساب کاربری

ورود سریع به حساب و ابزارهای شخصی‌سازی

ورود

با حساب کاربری، اعلان‌ها، ذخیره‌سازی خبرها و سطح مطالعه شخصی را فعال می‌کنید.

صفحه اصلیشبکهاخبارپژوهشابزارهایادگیریفضاهاچهره‌های تخصصیسیاست‌گذاریامنیترویدادهافرصت‌های شغلیسرگرمیپروژه‌هاموضوعات
مرور موضوعات
همه
تم
درباره ماحریم خصوصیتماس با ما

مالکیت و پشتیبانی

شبکه هوشمند ابتکار ویستا

هوش‌گیت به‌عنوان رسانه و لایه دانشی این شرکت، با تمرکز بر خبر، یادگیری، همکاری حرفه‌ای و محصول‌های هوش مصنوعی توسعه داده می‌شود. تمامی حقوق مالکیت و کپی‌رایت این وب‌سایت متعلق به شبکه هوشمند ابتکار ویستا است.

این شرکت به‌صورت تخصصی در حوزه هوش مصنوعی، ساخت پلتفرم‌های AI، سامانه‌های مبتنی بر LLM، تحلیل داده، طراحی تجربه دانشی و توسعه زیرساخت‌های حرفه‌ای برای تیم‌های سازمانی فعالیت می‌کند.

مالکیت: شبکه هوشمند ابتکار ویستامدیرعامل: مسعود بخشی۰۹۱۲۴۷۳۳۲۳۴Devcodebase.dev@gmail.comHooshgate@gmail.comDevcodebase.com
v0.1.0 · dev · unset/api/version
آخرین خبرهاآموزشپریمیومدرباره ماتماس با ماحریم خصوصیقوانین استفادهکوکی‌هاسیاست تحریریه
خانهشبکهیادگیریپروژه‌هاپروفایل
  1. خانه
  2. /
  3. اخبار
  4. /
  5. استنتاج LLM مشارکتی کارآمد در ارتباط با شبکه های ماهواره ای LEO
arXiv (cs.DC)معتبر1405/01/18 04:00زیرساخت و محاسبات

استنتاج LLM مشارکتی کارآمد در ارتباط با شبکه های ماهواره ای LEO

میانی همپوشانی می‌کند و در نتیجه تاخیر استنتاج LLM را کاهش می‌دهد. چند مرحله ای با حفظ دقت استنتاج. داخلی و دقت استنتاج فرموله می‌کنیم.

منبع: arXiv (cs.DC)

زیرساخت و محاسباتپژوهش پیشرفته
نسخه مطالعهعمومی
منبعarXiv (cs.DC)
انتشار1405/01/18 04:00
سطح مطالعه
اشتراک در تلگرام
استنتاج LLM مشارکتی کارآمد در ارتباط با شبکه های ماهواره ای LEO

راهنمای مطالعه

منبع اصلی، تاریخ فارسی و شاخص‌های سریع این خبر.

رفتن به منبع
تاریخ فارسی1405/01/18 04:00
داستانمستقل

نکات کلیدی

این باکس براساس سطح مطالعه شما (عمومی) تنظیم شده است.

  • (تجربی) .
  • ماهواره های مدار پایین زمین (LEO) با استفاده از مدل های هوش مصنوعی نقش اساسی در رصد هوشمند زمین دارند.
  • با این حال،.
  • حافظه داخلی محدود و تأخیر بیش از حد استنتاج مانع از استقرار عملی مدل های زبان بزرگ (LLM) بر.
  • روی یک ماهواره می شود.
  • در این مقاله، ما یک طرح استنتاج LLM مشارکتی کارآمد برای شبکه های ماهواره ای LEO پیشنهاد می کنیم.
  • به طور خاص،.
  • کل LLM به چندین مدل فرعی تقسیم می شود که هر کدام در یک ماهواره مستقر می شوند،.

فهرست مطالب

  1. TL;DR
  2. چه اتفاقی افتاد
  3. چرا مهم است
  4. منبع

سیگنال تعامل

بازدید۴
کلیک۰
امتیاز0.00
دیدگاه۰

TL;DR

  • مشاهده PDF HTML (تجربی) چکیده:.
  • ماهواره‌های مدار پایین زمین (LEO) با استفاده از مدل‌های هوش مصنوعی نقش اساسی در رصد هوشمند زمین دارند.
  • با این حال،.

چه اتفاقی افتاد

مشاهده PDF HTML (تجربی) چکیده:. ماهواره‌های مدار پایین زمین (LEO) با استفاده از مدل‌های هوش مصنوعی نقش اساسی در رصد هوشمند زمین دارند.

با این حال،. حافظه داخلی محدود و تأخیر بیش از حد استنتاج مانع از استقرار عملی مدل‌های زبان بزرگ (LLM) بر.

روی یک ماهواره می‌شود. در این مقاله، ما یک طرح استنتاج LLM مشارکتی کارآمد برای شبکه‌های ماهواره‌ای LEO پیشنهاد می‌کنیم.

به طور خاص،. کل LLM به چندین مدل فرعی تقسیم می‌شود که هر کدام در یک ماهواره مستقر می‌شوند،.

در نتیجه استنتاج LLM مشترک از طریق تبادل فعال‌سازی‌های میانی بین ماهواره‌ها را ممکن می‌سازد. طرح پیشنهادی همچنین از مکانیسم موازی خط لوله استفاده می‌کند که استنتاج مدل فرعی را با انتقال فعال‌سازی.

میانی همپوشانی می‌کند و در نتیجه تاخیر استنتاج LLM را کاهش می‌دهد. یک طرح فشرده سازی فعال سازی تطبیقی ​​برای کاهش طراحی شده است خطاهای تجمعی ناشی از تقسیم مدل.

چند مرحله ای با حفظ دقت استنتاج. علاوه بر این،.

ما مشکل کمینه‌سازی تاخیر استنتاج LLM را با بهینه‌سازی مشترک نسبت‌های تقسیم و فشرده‌سازی مدل تحت محدودیت‌های حافظه. داخلی و دقت استنتاج فرموله می‌کنیم.

این مشکل به یک مسئله جستجوی کوتاه‌ترین مسیر بر روی یک نمودار غیر چرخه‌ای جهت‌دار تبدیل می‌شود که. وزن‌های لبه به صراحت تأخیر استنتاج ناشی از تقسیم مدل و استراتژی‌های فشرده‌سازی را کمی می‌کند،.

که از طریق یک الگوریتم جستجوی مبتنی بر ستاره اصلاح‌شده حل می‌شود. نتایج شبیه‌سازی گسترده نشان می‌دهد که راه‌حل پیشنهادی می‌تواند تأخیر استنتاج را تا 42 درصد و سربار ارتباط.

را تا 71 درصد در مقایسه با معیارهای پیشرفته کاهش دهد،. در حالی که کاهش دقت استنتاج را کمتر از 1 درصد حفظ می‌کند.

نظرات:. 13 صفحه،.

12 شکل،. موضوعات:.

محاسبات توزیع شده،. موازی و خوشه ای (cs.DC) استناد به عنوان:.

arXiv:. 2604.04654 [cs.DC] (یا arXiv:.

2604.04654v1 [cs.DC] برای این نسخه) https:. //doi.org/10.48550/arXiv.2604.04654 DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.

Songge Zhang [مشاهده ایمیل] [v1] دوشنبه،. 6 آوریل 2026،.

13:. 05:.

13 UTC (487 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.

تعامل کاربران و کیفیت خبر

امتیاز بدهید، نظر ثبت کنید یا اگر خطایی دیدید گزارش اصلاح بفرستید.

بازدید

۰

کلیک روی خبر

۰

امتیاز میانگین

0.00 / 5

دیدگاه تایید شده

۰

امتیاز شما به خبر

هنوز امتیاز نداده‌اید.

واکنش سریع به خبر

به‌جای لایک کلی، نوع برداشت خودتان را مشخص کنید.

ثبت دیدگاه

گزارش اصلاح یا بهبود

آخرین دیدگاه‌ها

هنوز دیدگاهی ثبت نشده است.

مقایسه سه سطح مطالعه

برای همین خبر، نسخه ساده، عمومی و تخصصی کنار هم خلاصه شده‌اند.

ساده

۲٬۱۹۸ کاراکتر

تاخیر استنتاج LLM را کاهش می‌دهد. استنتاج. می‌کند.

  • (تجربی) .
  • ماهواره های مدار پایین زمین (LEO) با استفاده از مدل های هوش مصنوعی نقش.
  • اساسی در رصد هوشمند زمین دارند.
  • با این حال،.

عمومی

۲٬۱۹۸ کاراکتر

میانی همپوشانی می‌کند و در نتیجه تاخیر استنتاج LLM را کاهش می‌دهد. چند مرحله ای با حفظ دقت استنتاج. داخلی و دقت استنتاج فرموله می‌کنیم.

  • (تجربی) .
  • ماهواره های مدار پایین زمین (LEO) با استفاده از مدل های هوش مصنوعی نقش اساسی در رصد هوشمند زمین دارند.
  • با این حال،.
  • حافظه داخلی محدود و تأخیر بیش از حد استنتاج مانع از استقرار عملی مدل های زبان بزرگ (LLM) بر.

تخصصی

۲٬۴۰۲ کاراکتر

کاهش می‌دهد. علاوه بر این، ما مشکل کمینه‌سازی تاخیر استنتاج LLM را با بهینه‌سازی مشترک نسبت‌های تقسیم و فشرده‌سازی مدل تحت محدودیت‌های حافظه داخلی و دقت استنتاج فرموله می‌کنیم. 2604.04654 [cs.DC] (یا arXiv:.

  • (تجربی) ماهواره های مدار پایین زمین (LEO) با استفاده از مدل های هوش مصنوعی نقش اساسی در رصد هوشمند زمین دارند.
  • با این حال، حافظه داخلی محدود و تأخیر بیش از حد استنتاج مانع از استقرار عملی مدل های زبان بزرگ (LLM) بر روی...
  • در این مقاله، ما یک طرح استنتاج LLM مشارکتی کارآمد برای شبکه های ماهواره ای LEO پیشنهاد می کنیم.
  • به طور خاص،.

هایلایت‌ها و یادداشت‌ها

متن دلخواه را در خبر انتخاب کنید و با یک کلیک هایلایت بزنید. فقط برای شما قابل مشاهده است.

برای استفاده از هایلایت و یادداشت، وارد حساب کاربری شوید.

منابع اولیه

لینک‌های اصلی این خبر، شامل منبع اصلی و ارجاع‌های claim panel.

  • https://arxiv.org/abs/2604.04654v1
  • https://arxiv.org/list/cs.DC/recent

پست‌های مرتبط نبض هوش

چهره‌های تخصصی Hooshgate این خبر را از زاویه نقش و تخصص خودشان تحلیل کرده‌اند.

رفتن به شبکه

هنوز پست تخصصی برای این خبر منتشر نشده است.

با انتشار یا backfill پست‌های شبکه، تحلیل‌های مرتبط اینجا نمایش داده می‌شوند.

خبرهای مرتبط

خبرهای نزدیک به همین موضوع برای ادامه مطالعه.

رویدادهای آیندهNIST AIهوش مصنوعی متا EUPE را منتشر کرد: خانواده رمزگذار دید فشرده با پارامترهای 100 میلیونی که با مدل‌های تخصصی در درک تصویر، پیش‌بینی متراکم و وظایف VLM رقابت می‌کند.MarkTechPostوقتی سینک ها کمک می کنند یا آسیب می رسانند: چارچوب یکپارچه برای کاهش توجه در مدل های بزرگ بینایی-زبانarXiv (cs.CV)تنظیم دقیق بیزی متغیر مقیاس پذیر LLM از طریق آداپتورهای متعامد با رتبه پایینarXiv (stat.ML)

بعدش چی بخونم؟

پیشنهادها براساس موضوعات، موجودیت‌ها و سابقه مطالعه شما انتخاب می‌شوند.

تجزیه و تحلیل جامع عملکرد Uplink سلولی در استقرار استادیوم متراکمarXiv (cs.NI)افت انتشار ذاتی باندهای فرکانس بالا،. حتی در شبکه های بدون بار محدود می کند. در حالی که باندهای TDD با فرکانس بالا،.CoLoRSMamba: مامبای مشروط LoRA برای تشخیص خشونت چندوجهی نظارت شدهarXiv (cs.SD)CLS جفت می کند. تراز می کند. 2604.03329 [cs.CV] (یا arXiv:.الگوریتم شتاب‌دار میون برای مدل‌های خطی تعمیم یافته تانسور با رتبه جدایی پایینarXiv (stat.ML)طریق پیش بینی های مکرر مبتنی بر QR اعمال می کند. کند. 2604.04726 [stat.ML] (یا arXiv:.وقتی پاداش‌های تطبیقی ​​صدمه می‌زنند: بررسی علّی و معضل تغییر-پایداری در برنامه‌ریزی ماهواره‌ای LEO با هدایت LLMarXiv (cs.AI)وزن های پاداش تقریباً ثابت (342.1 مگابیت در ثانیه) از وزن های دینامیکی که با دقت تنظیم شده اند (103.3+/-96.8 مگابیت. در ثانیه) به...سیستم تحویل غذای شهری بدون آموزش چند عاملی با استفاده از شبکه UMST مقاومarXiv (cs.MA)نمودارهای کاملاً متصل انعطاف پذیری را ارائه می کنند،. بین نقاط تحویل. 2604.03280 [cs.MA] (یا arXiv:.
دسته‌های مرتبط:خبرپژوهشرویدادها
برچسب‌ها:LLMNLPRAGMLOps
فهرست خبرها