CluSTER, do KAIST, reduz em até 69,6% o tempo de ajuste fino de LLMs usando cerca de 31% dos dados
A equipe de Lee Jae-gil agrupa exemplos de efeito semelhante e os distribui igualmente entre GPUs; testado com dados de programação e medicina e modelos de cerca de 700 milhões e 1,3 bilhão de parâmetros, apresentado na EMNLP 2026, sem testes em escala de fronteira.