KAISTs CluSTER verkürzt das Feintuning von LLMs um bis zu 69,6 % mit rund 31 % der Daten
Das Team von Lee Jae-gil gruppiert Trainingsbeispiele mit ähnlicher Wirkung und verteilt sie gleichmäßig auf GPUs; getestet mit Code- und Medizindaten und Modellen mit rund 700 Millionen und 1,3 Milliarden Parametern, vorgestellt auf der EMNLP 2026, im Frontier-Maßstab ungetestet.