RT @YouJiacheng: O "deslocamento de chave" aplicado somente às dimensões estacionárias (dimensões não rotativas em RoPE parcial) é melhor do que aplicado a todas as dimensões. Este mi…
Carregando detalhes do thread
Buscando os tweets originais no X para montar uma leitura limpa.
Isso normalmente leva apenas alguns segundos.