深度分析
Adam-Aware In-Run Data Shapley：線性化鬼影近似實現高忠實度資料歸因
資料歸因是提升模型可靠性與效率的關鍵。本研究發現 SGD 代理方法與 Adam 真實貢獻相關性極低（R≈0.11），因此提出 Adam-Aware In-Run Data Shapley，透過線性化鬼影近似實現高效計算，忠實度達 R>0.99，吞吐量維持標準訓練的 95%。
深度分析
資料歸因是提升模型可靠性與效率的關鍵。本研究發現 SGD 代理方法與 Adam 真實貢獻相關性極低（R≈0.11），因此提出 Adam-Aware In-Run Data Shapley，透過線性化鬼影近似實現高效計算，忠實度達 R>0.99，吞吐量維持標準訓練的 95%。
深度分析
研究指出，語言模型在以無語意輸出微調教師模型後，會透過單一駕駛向量繼承教師的語意偏好。實驗顯示，向量可在推論時復現偏好，且需自適應優化器才能成功蒸餾。此發現解釋了跨模型失效的原因。未來此機制可能影響模型安全與偏見控制，提供新型可控微調方法。