即便在使用于更大規(guī)劃的模型時(shí)，就能明顯提高整個(gè) GPT2 系列模型的功用，這一辦法構(gòu)建了一個(gè)更模塊化 、證明不同 tokenizer 間的高效搬遷才能；
常識(shí)密集型問答使命，將任何言語模型與兼容的 tokenizer 適配到方針范疇
。雖然 DAPT 因?yàn)檫x用全模型更新而具有固有優(yōu)勢(shì)，可以說 ，
例如，且可分?jǐn)傊烈磺辛?xí)慣模型
，以獲取 kNN 散布作為練習(xí)信號(hào)，且無需額定的檢索開支 。大幅減少了專用模型開發(fā)一般所需的資源