跳转至

Hierarchical Latent Prediction for Language Models

复现级别：核心机制复现。 论文的中心算子在本地真实执行；生产私有数据、大模型权重或专用服务未复刻，论文结果与本地结果严格分开。

论文信息

项目 内容
论文链接 arXiv 2608.05806
公司/机构 University of Texas at Austin
首次公开日期 2026-08-06（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter hilp
本地复现代码 src/auto_research/reproductions/hilp/

原始论文总结

背景与主要改动

主题：分层 latent 预训练。 NextLat 的逐步 latent rollout 会累积误差。HiLP 增加更粗粒度的抽象 latent 目标，让局部状态同时受长时间尺度结构约束。

主要架构

flowchart LR
    N0["token hidden states"] --> N1
    N1["局部 latent predictor"] --> N2
    N2["时间池化"] --> N3
    N3["高层 abstract latent"] --> N4
    N4["联合预训练"]

原论文关键图

Hierarchical Latent Prediction for Language Models 原论文 Figure 1

原论文 Figure 1（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

\(\mathcal L=\mathcal L_{NTP}+\lambda_1\lVert\hat z_{t+1}-z_{t+1}\rVert^2+\lambda_H\lVert\hat h_{k+1}-h_{k+1}\rVert^2\)

论文离线与线上效果

论文在代码与多步推理基准展示更连贯的长时程 belief state，并提高 speculative decoding 效率；摘要未给统一单一提升值。

本地复现

合成多尺度序列上比较 next-latent 与加入块级 abstract latent 的预测误差；结构也接入 micro-LLM evolve。

运行：

auto-research reproduce --paper hilp --dataset-dir data --seed 42

稳定指标保存在 metrics/public-seed42.json，不提交 checkpoint。

本地对照口径：基线为去掉论文特有机制、其余数据切分与预算相同的 matched control；实验组为 hilp 核心机制；相对变化见 public-seed42.json；跨论文百分比不适用。

复现边界

  • 本地结果用于验证机制能执行和比较方向，不等价于原论文规模复现。
  • 私有特征、线上流量和生产 serving 不可获得；原文线上数值只作为引用。
  • 可接入 evolve 的结构已注册为候选；只影响 serving 的系统方法保留为独立可执行 adapter，不冒充可训练 genome。