arXiv 提出 SQUELCH：LoRA 秩一专家的噪声门限路由
原文标题：How Many Ranks Does a Token Need? A Noise-Floor Squelch for Rank-One LoRA Experts
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文将 token 需要多少秩一组件视为检测问题，提出无路由器的秩一专家混合方法 SQUELCH。它对每个 token 的响应按其自身稳健噪声水平软阈值化，用 Stein 无偏风险估计选阈值，并通过解释消除步骤抑制冗余组件。在 LLaMA-3.1-8B、Qwen3 等模型上优于 LoRA 2.2-3.2 分。
- 问题
- LoRA 对所有 token 施加全部秩一组件，MoE 变体又需学习路由器且秩预算固定。
- 方法
- 把每 token 需要多少秩一组件当作检测问题，按自身噪声水平软阈值化，用 Stein 无偏风险估计选阈值并做解释消除。
- 结果
- 在 LLaMA-3.1-8B、Qwen3 等模型上优于 LoRA 2.2-3.2 分。
- 影响
- 不增加可训练参数即可让 LoRA 的秩按 token 自适应，直接替换现有微调方案。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SQUELCH 用噪声门限替代路由器，LoRA 不增参数即在多模型上领先 2.2-3.2 分。
- •把「token 需要多少秩一组件」当作检测问题，按每个 token 自身稳健噪声水平软阈值化
- •用 Stein 无偏风险估计选阈值，无需预设秩预算；再用解释消除步骤抑制冗余组件
- •不向 LoRA 增加任何可训练参数
- •在 LLaMA-3.1-8B、Qwen3 等的常识推理、知识、数学、代码与 GLUE 上优于 LoRA 2.2-3.2 分
为什么重要：免路由器的 MoE 式 LoRA 变体，为微调时按 token 动态分配秩提供了有理论保证的替代方案。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。