论文提出BoostedTSV-M，在多领域ASR合并中优于全量微调。
资讯摘要
论文研究模型合并在多领域语音识别中的应用，在10个欧洲葡萄牙语领域上对11种合并算法进行基准测试，评估域内准确率、分布偏移下的鲁棒性以及英语和多语言表现。作者提出基于TSV-M的新算法BoostedTSV-M，通过奇异值增强缓解秩坍缩并提升数值稳定性。作者报告该方法在欧洲葡萄牙语上优于全量微调，同时在单一模型中保留了分布外泛化能力。
要点速读
- 论文在10个欧洲葡萄牙语领域上基准测试了11种模型合并算法，并考察域内准确率、分布偏移鲁棒性及英语与多语言表现。
- 作者提出BoostedTSV-M，在TSV-M基础上通过奇异值增强缓解秩坍缩、改善数值稳定性。
- 作者报告该方法在欧洲葡萄牙语上优于全量微调，并在单一模型中保持分布外泛化。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。