LOCUS：面向通用专业化的低成本定制系统与方法
计算与语言
2025-12-09 v1
摘要
我们提出LOCUS（LOw-cost Customization for Universal Specialization），一个管道，通过少量样本数据简化NLP模型的构建和训练，采用目标性检索、合成数据生成和参数高效调优。 LOCUS仅需少量标记样本，即可在广泛数据存储库中发现相关数据，通过原语数据生成合成额外训练样本，并使用全参数或低秩（LoRA）参数适应进行模型微调。我们的ethods 目标是命名实体识别（NER）和文本分类（TC）基准任务，始终优于强大的基线（包括GPT-4o），同时大幅降低成本和模型规模。我们得到的内存优化模型在保留99%完全微调准确率的同时，使用的内存占用仅为其1/20，同时在多个基准任务上超过GPT-4o的表现，仅使用其参数的1%。
引用
@article{arxiv.2512.06239,
title = {LOCUS: A System and Method for Low-Cost Customization for Universal Specialization},
author = {Dhanasekar Sundararaman and Keying Li and Wayne Xiong and Aashna Garg},
journal= {arXiv preprint arXiv:2512.06239},
year = {2025}
}