CluSTER, du KAIST, réduit jusqu'à 69,6 % le temps d'affinage des LLM avec environ 31 % des données
L'équipe de Lee Jae-gil regroupe les exemples à effet similaire et les répartit équitablement entre GPU ; testé sur des données de code et de médecine avec des modèles d'environ 700 millions et 1,3 milliard de paramètres, présenté à EMNLP 2026, sans test à l'échelle des modèles de pointe.