模型
BART
Meta（Facebook AI）于2019年推出的预训练语言模型，专为文本去噪与生成任务设计，采用编码器-解码器架构，编码器做双向注意力理解输入，解码器自回归生成输出
核心事实
时间轴 (近 90 天)
10月16日
在 p 高达 500 的超出先验范围的非线性设计上，SelectPFN 的精度-召回曲线下面积（AUPRC）相比 lasso、BART、DART、LassoNet 以及组惩罚稀疏神经网络提升了 0.23-0.28。
待验证50%
10月1日
FastModel 现可微调 T5、T5Gemma、BART、Marian 等文本编码器-解码器模型
待验证50%
9月14日
零样本分类依托预训练大语言模型如BART、RoBERTa的NLI变体的语义理解能力
已验证75%
9月12日
BART 由 Facebook AI 于 2019 年推出，专为文本去噪与生成任务设计，编码器负责理解输入，解码器负责生成输出
待验证50%
全部知识事实 (6)
已验证
零样本分类依托预训练大语言模型如BART、RoBERTa的NLI变体的语义理解能力
75%已验证BERT 采用编码器架构，GPT 系列采用解码器架构，T5 和 BART 采用编码器-解码器架构
75%待验证RAG原始论文使用DPR（Dense Passage Retrieval）作为检索器、BART作为生成器
90%待验证在 p 高达 500 的超出先验范围的非线性设计上，SelectPFN 的精度-召回曲线下面积（AUPRC）相比 lasso、BART、DART、LassoNet 以及组惩罚稀疏神经网络提升了 0.23-0.28。
50%待验证FastModel 现可微调 T5、T5Gemma、BART、Marian 等文本编码器-解码器模型
50%待验证BART 由 Facebook AI 于 2019 年推出，专为文本去噪与生成任务设计，编码器负责理解输入，解码器负责生成输出
50%