热点事件持续更新
ULMFiT：奠定预训练+微调范式
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2018 年 1 月，Jeremy Howard 与 Sebastian Ruder 发表 ULMFiT，提出先在大规模通用文本上预训练语言模型、再针对具体任务微调的两阶段做法。据该报道，这一方法在多数测试数据集上把错误率降低 18%–24%，并且仅用 100 条标注样本就能追平用 100 倍数据从头训练的模型。2026 年 10 月 6 日，AGI Hunt 发文回顾 Jeremy Howard 从 Kaggle 冠军到提出 ULMFiT 的历程，重申其作为“预训练+微调”范式起点的意义。目前没有新的事实性进展，事件仍是对 ULMFiT 历史贡献的回顾与传播。
AI 根据报道生成 · 3 小时前更新
最新进展10月6日 15:34
AGI Hunt 回顾称，ULMFiT 仅用 100 条标注样本即可追平百倍数据从头训练的模型。报道时间线
沿着报道，了解事件的不同侧面。
10月6日
- AGI Hunt从 Kaggle 冠军到 ULMFiT：Jeremy Howard 如何改写语言模型训练范式
Jeremy Howard 与 Sebastian Ruder 于 2018 年 1 月发表 ULMFiT，先在大规模通用文本上预训练语言模型、再针对具体任务微调，在多数测试数据集上把错误率降低 18%–24%，仅用 100 条标注样本就能追平用 100 倍数据从头训练的模型。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。