Exploring the Limits of Transfer Learning with a Unified Text-to-Text\n Transformer

• 类型：arxiv
• 标识：1910.10683
• 链接：https://arxiv.org/abs/1910.10683
• 主题：evaluation
• 主分类：llm-infra
• 形态：method
• 被引：27024
• 被引来源：Semantic Scholar
• S2被引：27024
• OpenAlex被引：3694
• 影响力被引：2606
• TLDR：This systematic study compares pre-training objectives, architectures, unlabeled datasets, transfer approaches, and other factors on dozens of language understanding tasks and achieves state-of-the-art results on many benchmarks covering summarization, question answering, text classification, and more.
• OpenAlex ID：W2981852735
• OpenAlex DOI：10.48550/arxiv.1910.10683
• DOI：10.48550/arxiv.1910.10683
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1910.10683
• OpenAlex更新：2026-08-25
• 待LLM分类：否
• 成熟度：production
• 场景：transfer learning、text-to-text、pretraining
• 标题中文：用统一的 Text-to-Text Transformer 探索迁移学习的极限
• TLDR中文：这项系统性研究在数十项语言理解任务上比较了预训练目标、架构、无标注数据集、迁移方法及其他因素，并在涵盖摘要、问答、文本分类等的许多基准上取得了 SOTA 结果。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]