CluSTER, de KAIST, reduce hasta un 69,6% el tiempo de ajuste fino de LLM usando cerca del 31% de los datos
El equipo de Lee Jae-gil agrupa ejemplos con efecto similar y los reparte por igual entre GPU; se probó con datos de programación y medicina y modelos de unos 700 millones y 1.300 millones de parámetros, presentado en EMNLP 2026, sin pruebas a escala de frontera.