跳转至

LOCUS: Task-Aware Low-Rank Post-Training for Token-Efficient Language Generation

复现级别：L1 核心机制诊断。 本地用样本特征 SVD 投影策略梯度；未训练论文规模语言模型。

论文信息

字段 内容
论文链接 LOCUS: Task-Aware Low-Rank Post-Training for Token-Efficient Language Generation
公司/机构 University of Washington（按第一作者署名单位）
首次公开日期 2026-09-10
原文开源代码 否：未找到作者公开仓库（核查日期：2026-09-14）
Adapter / 方法 locus
本地复现代码 src/auto_research/post_training/latest_20260914.py

原始论文总结

背景与主要改动

学习任务相关低秩后训练子空间，只在紧凑方向上更新以缩短回答，同时保留任务能力。

flowchart LR
  I[输入与公开状态] --> M[locus 核心机制]
  M --> A[可审计中间量]
  A --> O[输出或更新]

原论文关键图

LOCUS: Task-Aware Low-Rank Post-Training for Token-Efficient Language Generation 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式或操作

本地代码把论文决定性操作实现为确定性的 reference kernel，并显式输出门控、选择、投影、图边或状态更新统计；测试覆盖公式不变量和边界条件。

论文离线与线上效果

Pythia 输出最高缩短 39.84%，Qwen 缩短 14.87%–17.58%，训练参数约 0.24%–0.28%。 这些数字来自原论文，不与本地缩小实验直接比较；论文未报告线上 A/B 时不推断线上收益。

本地复现

三种子指标见 metrics/mechanism-seeds42-44.json。所有候选使用相同公开 fixture、预算和 seed；本页结果只证明核心状态转换实际执行。

复现边界

本地用样本特征 SVD 投影策略梯度；未训练论文规模语言模型。