Deep Learning Paper
1.0.0
Leí estos documentos relacionados con PNL y el aprendizaje profundo. Aquí hay varios documentos, desde básicos hasta avanzados. ? Además, puede consultar mis reseñas de papel coreano haciendo clic en el enlace adjunto a la tabla.
Puede ver más reseñas en papel, implementación de código y descripciones de matemáticas en mi blog <- Haga clic aquí
Escribo varios artículos para explicar en detalle algunas tecnologías de aprendizaje profundo. Estos artículos se pueden encontrar en la tabla a continuación.
| Título | Enlace de blog |
|---|---|
| ¿Cómo se ha desarrollado la ley de escala en PNL? ? | https://cartinoe5930.tistory.com/entry/how-has-scaling-law-dobeledin-in-nlp-%f0%9f%A4%94 nlp%ec%97%90%ec%84 %9c-escalado-ley%EB%8a%94-%EC%96%B4%EB%96%BB%EA%B2%8C-%EB%B0%9C%EC%A0%84%EB%90%98%EC%97%88%EC%9D%844%B9%B9%8C |
| De origen cerrado? De código abierto ?? ¿¿Qué es eso?? ? | https://cartinoe5930.tistory.com/entry/the-hopes-of-researchers-open-source-%F0%9F%A4%97- %EC%97%B0%EA%B5%AC%EC%9E%90%EB%93%A4%EC%9D%98-%ED%9D%AC%EB%A7%9D-Open-Source-%F0%9F%A4%97 |
| Ventana de contexto de LM, ¿debería ser larga? ¿Debería ser corto? ? | https://cartinoe5930.tistory.com/entry/lm%ec%9d%98-context-window-%EA%B8%B8%EC%96%B4%EC%95%B C-%ED%95%A0%EA%B9%8C-%EC%A7%A7%EC%95%84%EC%95%a. C. |
| ¿Cuál es la forma más óptima de evaluar LM? ? | https://cartinoe5930.tistory.com/entry/lm%ec%9d%84-%EA%B0%80%EC%9E%A5-%EC%B5%9C%EC%A0%81%EC%C%9C%BC%EB%A1%9C-%ED%8F%EA%%%» B0%80%ED%95%A0-%EC%88%98-%EC%9E%88%EB%8A%94-%EB%B0%A9%EB%B2%95%EC%9D%80-%EB%AC%B4%EC%97%87%EC%9D%BC%EA%B9%8C-%F0%9f%98%8E 8E. |
| ¿El rendimiento de Chatgpt está empeorando?!?!? ? | https://cartinoe5930.tistory.com/entry/Chatgpt%EC%9D%98-%EC%84%B1%EB%8A%A5%EC%9D%B4-%EC%95% 88-%EC%A2%8B%EC%95%84%EC%A7%80%EA%B3%A0-%EC%9E 9E 88%EB%8B%A4%EA%B5%AC-%F0%9F%98%B2%F0%9F%98%B2 B2 |
| ¡Tú también puedes afinar! ¿Con Peft? | https://cartinoe5930.tistory.com/entry/%eb%8B%B9%EC%8B%A0%EB%8F%84-Fine Tuning- %ED%95%A0-%EC%88%98-%EC%9E%88%EC%8A%B5%EB%8B%88%EB%8B%A4-With-Peft-%F0%9F%A4%97 |
| ¡Pensemos paso a paso como los humanos! ? | https://cartinoe5930.tistory.com/entry/%ed%95%9C-%EB%8B%A8%EA%B3%84-%ED%95%9C-%EB%8B%A8%EA´B3%84%EC%94%A9-- %EC%9D%B8%EA%B0%84%EC%B2%98%EB%9F%BC-BC-%EC%83%9D%EA%B0%81%ED%95%B4%EB%B3%B4%EC%9E 9E 90-%F0%9F%A7%A0%F0%9f%A4%94 |
| ¡Proceso de desarrollo del método de ajuste fino! Desde ajustar a rlhf? ➡️? | https://cartinoe5930.tistory.com/entry/fine-tuning-method%ec%9d%98-%ec%A7%84%Ed%99%94-%EAWEA%B3%BC%EC%A0%95-%f0%9f%A6%96%E2%EX% %%ef%Ef%Ef%Ef's |
| ¡Es hora de ajustar el chatgpt! ⏰ | https://cartinoe5930.tistory.com/entry/%ec%9D%B4%ec%A0%9C%eb%Unc. |
| ¡El ruido hace que LLM sea mejor! - Nefune | https://cartinoe5930.tistory.com/entry/noise-makes-llm-better-neftune-%f0%9f%98%89 |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Matriz de incrustación | https://wikidocs.net/book/2155 | https://cartinoe5930.tistory.com/entry/embedding-matrix-%ED%95%99%EC%8A%B5 |
| LSTM: memoria a largo plazo | https://colah.github.io/posts/2015-08-enterstanding-lstms/ | https://cartinoe5930.tistory.com/entry/%ec%95%8C%EA%B8%B0-%EC%89%BD%EA%B2%8C-Lstm-networks-%EC%9D%B4%ED%95%B4%ED%95%98%B8%B8%B8 |
| Gru: representaciones de frases de aprendizaje utilizando el codificador de codificadores RNN para la traducción al automuleto estadístico | https://arxiv.org/abs/1406.1078 | https://cartinoe5930.tistory.com/entry/gru-empírico-evaluation-of-gated--neural-neural-networks-on-sequence-modeling-%eb%85%BC%eb%ac%B8-%eb%Ac%eb%B7%B0 |
| LSTM vs. GRU: Evaluación empírica de redes neuronales recurrentes cerradas en el modelado de secuencia | https://arxiv.org/abs/1412.3555 | https://cartinoe5930.tistory.com/entry/lstm-vs-gru-%eb%ad%90%ea%B0%80-%eb%8D%94-%eb%82%98%EC%9D%EAA%B9%8C -empp Evaluación irical de modificación de la red-recurrente-neural-networks-on-secuence-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Transformer: la atención es todo lo que necesitas | https://arxiv.org/abs/1706.03762 | https://cartinoe5930.tistory.com/entry/transformer-attention-is-all-teou-need-%eb%85%bc%eb%ac%b8-%eb%a6%ac%eb`B7%B0 |
| ELMO: representaciones de palabras contextualizadas profundas | https://arxiv.org/abs/1802.05365 | https://cartinoe5930.tistory.com/entry/pre-trained-language-modeling-paper-reading1-elmo-deep- Contextualized-Word-Representations |
| BERT: pretruamiento de transformadores bidireccionales profundos para la comprensión del lenguaje | https://arxiv.org/abs/1810.04805 | https://cartinoe5930.tistory.com/entry/pre-trained-language-modeling-paper-reading2-bert-pre-training---deep-bidirtical-transformers-for-language-nanding |
| GPT-1: Mejora de la comprensión del lenguaje mediante una pretrabra generativa | https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf | https://cartinoe5930.tistory.com/entry/pre-trained-language-modeling-paper-reading3-gpt-1-improveing-language-instanding-by-generative-pre-entrenamiento |
| GPT-2: los modelos de idiomas son alumnos de tareas multitarea no supervisadas | https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf | https://cartinoe5930.tistory.com/entry/gpt-2-language-models-ae-unsupervised-multitas-learners-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| GPT-3: los modelos de idiomas son alumnos de pocos disparos | https://cartinoe5930.tistory.com/entry/gpt-3-language-models-ear-few-shot-learners-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0 | https://cartinoe5930.tistory.com/entry/gpt-3-language-models-ear-few-shot-learners-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0 |
| Transformer-XL: modelos de lenguaje atento más allá de un contexto de longitud fija | https://arxiv.org/abs/1901.02860 | https://cartinoe5930.tistory.com/entry/transformer-xl-attentive-language-models-beyond-a-fixed-length-context-%eb%85%BC%eb%ac%B8-%eb%AC%eb%B7%B0 |
| Transformadores dispersos: generar secuencias largas con transformadores escasos | https://arxiv.org/abs/1904.10509 | https://cartinoe5930.tistory.com/entry/sparse-transformers-generating-long-sece-with-sparse-transformers-%eb%85%bc%eb%ac%B8-%eb%A6%ac%eb %%b0 |
| XLNet: Pretratenamiento autorregresivo generalizado para la comprensión del lenguaje | https://arxiv.org/abs/1906.08237 | https://cartinoe5930.tistory.com/entry/xlnet-generalized-autoregressessessessessessive-for-language-indenstanding-%eb%B%85%BC%eb%ac%B8-%eb%A6%ac%eb %%b0 |
| Spanbert: Mejora de la capacitación previa representando y prediciendo los tramos | https://arxiv.org/abs/1907.10529 | https://cartinoe5930.tistory.com/entry/spanbert-improving-pre-training-by-rresenting-andictioningspans-%eb%ebc%eb%ac%b8-%eb%A6%eb%B7%B7%B7am |
| Roberta: un enfoque de pre-entrenamiento de Bert optimizado robusto | https://arxiv.org/abs/1907.11692 | https://cartinoe5930.tistory.com/entry/robta-a-robustly-optimized-bert-pretraining-prowerach-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| Sentencia-Bert: incrustaciones de oraciones utilizando siamese Bert-Networks | https://arxiv.org/abs/1908.10084 | https://cartinoe5930.tistory.com/entry/sentence-bert-sentence-embeddings-using-siamese-bert-networks-%eb%ebc%eb%ac%B8-%eb%A6%eb%B7%B0 |
| Albert: A Lite Bert para el aprendizaje auto-supervisado de representaciones lingüísticas | https://arxiv.org/abs/1909.11942 | https://cartinoe5930.tistory.com/entry/albert-a-lite-bert-for-est-self-superised-lelarning-of-language-representations-%eb%85%BC%eb%ac%B8-%eb%AC%eb%B7%B0 |
| BART: Precrendimiento de secuencia a secuencia de denominación para la generación de lenguaje natural, traducción y comprensión | https://arxiv.org/abs/1910.13461 | https://cartinoe5930.tistory.com/entry/bart-denoising-sequence-to-sequence-pre-training-for-natural-language-generation-translation-and-comprehension-%eb%ebc%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| Transformador pre-LN: en la normalización de la capa en la arquitectura del transformador | https://arxiv.org/abs/2002.04745 | https://cartinoe5930.tistory.com/entry/pre-ln-transformer-on-layer-normalization-in-the-transformer-architecture-%eb%ebc%eb%ac%B8-%eb%A6%EB%B7%B0 |
| Electra: codificadores de texto previos al entrenamiento como discriminadores en lugar de generadores | https://arxiv.org/abs/2003.10555 | https://cartinoe5930.tistory.com/entry/electra-pre-training-text- enicoders-as-discriminators-rather-than-generators |
| Longformer: el transformador de documentos largos | https://arxiv.org/abs/2004.05150 | https://cartinoe5930.tistory.com/entry/longformer-the-long-document-transformer-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| Bigbird: Transformers para secuencias más largas | https://arxiv.org/abs/2007.14062 | https://cartinoe5930.tistory.com/entry/bigbird-transformers-for-longer-sequences-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| WebGPT: cuestionamiento asistido por el navegador, respuesta de retroalimentación humana | https://arxiv.org/abs/2112.09332 | https://cartinoe5930.tistory.com/entry/webgpt-browser-sisted-question-swering-with-human-fedback-%eb%ebc%eb%ac%B8-%eb%A6%eb%B7%B0 |
| OPT: Open Modelos de lenguaje de transformador pre-capacitado | https://arxiv.org/abs/2205.01068 | https://cartinoe5930.tistory.com/entry/opt-open-preined-transformer-language-models-%eb%85%bc%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| Mamba: modelado de secuencia de tiempo lineal con espacios de estado selectivos | https://arxiv.org/abs/2312.00752 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Tinybert: destilación de Bert para la comprensión del lenguaje natural | https://arxiv.org/abs/1909.10351 | https://cartinoe5930.tistory.com/entry/tinybert-distilling-bert-for-natural-language-inderstanding-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%b7%b0 |
| Distilbert: una versión destilada de Bert | https://arxiv.org/abs/1910.01108 | https://cartinoe5930.tistory.com/entry/distilbert-a-distilled-version-of-bert-smaller-faster-heaper-andpightighter-%eb%85%BC%eb%ac%B8-%eb%Ac%eb%B7%B0 |
| El tamaño no es solo el tamaño: los modelos de lenguaje pequeño también son alumnos de pocos disparos (mascota 응용) | https://arxiv.org/abs/2009.07118 | https://cartinoe5930.tistory.com/entry/its-not-just-size-that-matters-small-language-models-aLe-also-few-searners-%eb%85%BC%eb%ac%B8-%EB%A6%AC%eb%B7%B70 |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Chinchilla: capacitación modelos de lenguaje grande de cómputo óptimo | https://arxiv.org/abs/2203.15556 | https://cartinoe5930.tistory.com/entry/%ec%A7%80%EA%B8%88-%EA%B9%8C%EC%A7%80%E C%9D%98-LM-LM-ESCALACIÓN%EC%97%90%EB%8A%94-%EB%AC%B8%EC%A0%9C%EC%A0%90%EC%9D%B4- %EC%9E%88%EB%8B%A4-%F0%9F%98%B6%E2%80%8D%F0%9F%8C%AB%EF%B8%8F-CONTRACIÓN-CONTRACIÓN-COMPUTA-COMBRA |
| Pythia: una suite para analizar grandes modelos de idiomas en la capacitación y la escala | https://arxiv.org/abs/2304.01373 | ¡No hay plan! |
| Lima: menos es más para la alineación | https://arxiv.org/abs/2305.11206 | https://cartinoe5930.tistory.com/entry/lima-less-is-more-for-alignment-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb`B7%B0 |
| LLAMA: modelos de lenguaje de base abierto y eficiente | https://arxiv.org/abs/2302.13971 | https://cartinoe5930.tistory.com/entry/llama-open-and-eficiente-foundation-language-models-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0 |
| Wizardlm: Empoderar modelos de idiomas grandes para seguir instrucciones complejas | https://arxiv.org/abs/2304.12244 | https://cartinoe5930.tistory.com/entry/open-domain-instruction%ec%9d%98-%Ed%9A%A8%EA%B3%BC-%F0%9F%AA%84-wiz ardlm-empoderamiento-large-langage-language-to-frollow-comple-comple-instructions-%eB%85%bc%eb%ac%b8-%eb%a6%ac%eb%b7%b0 |
| WizardCoder: Código de empoderamiento de modelos de lenguaje grande con INSTRUGO EVOL | https://arxiv.org/abs/2306.08568 | https://huggingface.co/wizardlm/wizardcoder-15b-v1.0 |
| WizardMath: Empoderando el razonamiento matemático para modelos de idiomas grandes a través de la instrucción EVOL reforzada | https://arxiv.org/abs/2308.09583 | https://huggingface.co/wizardlm/wizardmath-70b-v1.0 |
| Alpaca: un modelo fuerte y replicable de seguimiento de instrucciones | https://crfm.stanford.edu/2023/03/13/alpaca.html | https://cartinoe5930.tistory.com/entry/alpaca-a-stong-replicable-instruction-following-model-%eb%A6%ac%eb%B7%B0 |
| Vicuna: un chatbot de código abierto que impresiona a GPT-4 | https://lmsys.org/blog/2023-03-30-vicuna/ | https://cartinoe5930.tistory.com/entry/vicuna-an-open-source-chatbot-impressing-gpt-4-%eb%a6%ac%eb%b7%b0 |
| Koala: un modelo de diálogo para la investigación académica | https://bair.berkeley.edu/blog/2023/04/03/koala/ | https://cartinoe5930.tistory.com/entry/%ec%A4%91%EC%9A%94%ed%95%9C-%EA%B1%B4-%EA%BA%BE%EC%9D%B4%EC %A7%80-%EC%95%8A%EB%8A%94 Data-Koala-Koala%F0%9F%90%A8-A-A-Dialogue-Modelo por resumen académico |
| Baize: un modelo de chat de código abierto con un ajuste de los parámetros en los datos de auto-chat | https://arxiv.org/abs/2304.01196 | https://cartinoe5930.tistory.com/entry/%f0%9F%90%B2Baize-an-open-source-chat-model-with-parameter-eficiente-tuning-on-self-chat-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%b7%bickb%bick |
| Escala de modelos de lenguaje con datos limitados por datos | https://arxiv.org/abs/2305.16264 | https://www.youtube.com/watch?v=tk0-sitkcmw&pp=yguugahr0chm6ly9hcnhpdi5vcmcvywjzlzizmduumtyynjq%3D |
| Falcon & Refinedweb | https://arxiv.org/abs/2306.01116 | https://cartinoe5930.tistory.com/entry/open-llm-leaderboard%eb%A5%BC-%Ed%9C%A9%EC%93%B4-Falcon%F0%9F%A6%85-llm-Falcon-refrinedweb |
| Orca: aprendizaje progresivo de los rastros de explicación compleja de GPT-4 | https://arxiv.org/pdf/2306.02707 | https://cartinoe5930.tistory.com/entry/%F0%9F%90%Corca-Progresive-Learning-from-Complex-explanation-traces-O-NGPT-4-%EB%85%BC%EB%ac%B8-%EB%A6%AC%eb%B7%B0 |
| Phi-1: los libros de texto son todo lo que necesitas | https://arxiv.org/abs/2306.11644 | https://Cartinoe5930.tistory.com/entry/%ed%95%84%EC%9A%94%ed%95%9C-%ea%B1%B4-%EC%98%A4%EC%A7%81-%EA%B5%90%B3%BC%EC%En %A4%80%EC%9D%98-%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%BF%90-%F0%9F%93%96-ACHI-1-TEXTBOOKS-ALL |
| Alpagasus: capacitación de una mejor alpaca con menos datos | https://arxiv.org/abs/2307.08701 | ¡Se subirán más tarde! |
| Llama 2: Fundación abierta y modelos de chat fino | https://arxiv.org/abs/2307.09288 | https://cartinoe5930.tistory.com/entry/the-hopes-of-researchers-open-source-%F0%9F%A4%97- %EC%97%B0%EA%B5%AC%EC%9E%90%EB%93%A4%EC%9D%98-%ED%9D%AC%EB%A7%9D-Open-Source-%F0%9F%A4%97 |
| Platypus: refinamiento rápido, barato y poderoso de LLMS | https://arxiv.org/abs/2308.07317 | ¡Se subirán más tarde! |
| Code Llama: Modelos de base abiertos para el código | https://arxiv.org/abs/2308.12950 | No hay plan |
| FLM-101B: An Open LLM y cómo entrenarlo con un presupuesto de $ 100k | https://arxiv.org/pdf/2309.03852 | ¡No hay plan! |
| Los libros de texto son todo lo que necesita II: Phi-1.5 Informe técnico | https://arxiv.org/abs/2309.05463 | https://huggingface.co/microsoft/phi-1_5 |
| OpenChat: avance de modelos de lenguaje de código abierto con datos de calidad mixta | https://arxiv.org/abs/2309.11235 | https://github.com/imoneoi/openchat |
| Mistral 7b | https://arxiv.org/abs/2310.06825 | https://mistral.ai/news/announcing-mistral-7b/ |
| Prometeo: inducir la capacidad de evaluación de grano fino en los modelos de idiomas | https://arxiv.org/abs/2310.08491 | https://huggingface.co/papers/2310.08491#652a8e7f303555beba68c1be6 |
| Zephyr: destilación directa de la alineación de LM | https://arxiv.org/abs/2310.16944 | https://www.youtube.com/watch?v=tkzbg3mksio |
| ORCA2: Enseñar modelos de idiomas pequeños cómo razonar | https://arxiv.org/abs/2311.11045 | https://www.microsoft.com/en-us/research/blog/orca-2-teaching-small-language-models-how-to-razon// |
| La serie Falcon de modelos de lenguaje abierto | https://arxiv.org/abs/2311.16867 | ¡No hay plan! |
| Solar 10.7b: escala de modelos de lenguaje grandes con escala ascendente de profundidad simple pero efectiva | https://arxiv.org/abs/2312.15166 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Lamda: modelos de idioma para aplicaciones de diálogo | Blog: https://ai.googleblog.com/2022/01/lamda-towards-safe-grounded-and-high.html, papel: https://arxiv.org/abs/2201.08239 | https://Cartinoe5930.tistory.com/entry/%EA%B5%C%EAWEAZE %80%ED%95%B4-%EC%95%8C%EC%95%84%EB%B3%B4%EC%9E 9E%90 Language-Modelos por Dialog-Aplicaciones-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Palma: modelado de lenguaje de escala con vías | Blog: https://ai.googleblog.com/2022/04/pathways-language-model-palm-scaling-to.html, papel: https://arxiv.org/abs/2204.02311 | 1: https://cartinoe5930.tistory.com/entry/lamda%ec%9d%98-%eb%92%A4%eb%A5%BC-%EC%9E%87%eb%8a%94-Pathways%eb%A5%BC-%Ed% %% 99%9C%EC%9A%A9%ED%95%9C-%EC%B4%88%EA%B1%B0%EB%8C%80-%EC%96%B8%EC%96%B4-%EB%AA%A8%EB%8D%B8-Palm-%EB%A6%AC%EB%B7%B0,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 2: https://cartinoe5930.tistory.com/entry/lamda%ec%9d%98-%eb%92%A4%eb%A5%BC-%EC%9E%87%eb%8a%94-Pathways%eb%A5%BC-%EC% 82%AC%EC%9A 9A A9%ED%95%9C-%EC%B4%88%EA%B1%B0%EB%8C%80-%EC%96%B8%EC%96%B4-%EB%AA%A8%EB%8D%B8-Palm-%EB%A6%AC%EB%B7%B02 |
| GPT-4: revisión técnica | Blog: https://openai.com/research/gpt-4, documento: https://arxiv.org/abs/2303.08774 | https://cartinoe5930.tistory.com/entry/gpt-4-techinal-report-review |
| Géminis: una familia de modelos multimodales altamente capaces | https://arxiv.org/abs/2312.11805 | ¡No hay plan! |
| Informe técnico de Alphacode 2 | https://storage.googleapis.com/deepmind-media/alphacode2/alphacode2_tech_report.pdf | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Flan: los modelos de lenguaje ajustados son alumnos de cero disparos | https://arxiv.org/abs/2109.01652 | https://cartinoe5930.tistory.com/entry/flan-fine-tuned-language-models-ear-ears-hot-learners-%eb%85%bc%eb%ac%b8-%eb%a6%ac%eb%b7%b0 |
| T0: la capacitación impulsada por múltiples tareas permite la generalización de tareas de disparo cero | https://arxiv.org/abs/2110.08207 | https://cartinoe5930.tistory.com/entry/t0-multitas-pomppted-training-eneables-zero-shot-task-generalization-%eb%eb%ebc%eb%ac%B8-%eb%A6%ac%B 19%b0 |
| Instrucciones súper naturales: Generalización a través de instrucciones declarativas en más de 1600 tareas de PNL | https://arxiv.org/abs/2204.07705 | https://cartinoe5930.tistory.com/entry/super-natural-instructions-generalization-via-deClarative-instructionss-on-1600-NLP-Tasks-%eb%85%BC%EB%ac%B8-%eb%A6%eb%B%B7%B0 |
| Instrucciones antinaturales: ajuste de modelos de lenguaje con (casi) trabajo humano | https://arxiv.org/abs/2212.09689 | ¡Se subirán más tarde! |
| ¡Adivina la instrucción! El aprendizaje volcado hace que los modelos de idiomas sean más fuertes de los alumnos de disparo cero | https://arxiv.org/abs/2210.02969 | https://cartinoe5930.tistory.com/entry/guess-the-instruction-lipped-lelarning-makes-language-models-stronger-zero-shot-leearners-%eb%85%BC%eb%AC%B%B8-%EB%A6%ac%eb%B7%B0 |
| Modelos de lenguaje de instrucción de escala de instrucción | https://arxiv.org/abs/2210.11416 | https://cartinoe5930.tistory.com/entry/scaling-instruction-finetuned-language-models-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0 |
| Explorando los beneficios de capacitar a los modelos de idiomas expertos sobre el ajuste de las instrucciones | https://arxiv.org/abs/2302.03202 | https://cartinoe5930.tistory.com/entry/exploring-the-benefits-of-training-expert-language-models-over-instruction-tuning-%eb%85%BC%eb%ac%B8-%eb%AC%eb%B7%B0 |
| ICIL: aprendizaje de instrucciones en contexto | https://arxiv.org/abs/2302.14691 | https://cartinoe5930.tistory.com/entry/icil-in-context-instruction-letarning-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb 7%B0 |
| Ajuste de instrucciones con GPT-4 | https://arxiv.org/abs/2304.03277 | https://cartinoe5930.tistory.com/entry/instruction-tuning-with-gpt-4-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb 7%B0 |
| FIP: parametrización de entrada fija para una solicitud eficiente | https://aclanthology.org/2023.findings-acl.533.pdf | ¡Se subirán más tarde! |
| Flacuna: desata el poder de resolución de problemas de Vicuna usando flan ajustado | https://arxiv.org/abs/2307.02053 | ¡Se subirán más tarde! |
| Tal vez solo se necesitan datos de 0.5%: una exploración preliminar de bajo ajuste de instrucciones de datos de entrenamiento | https://arxiv.org/abs/2305.09246 | ¡Se subirán más tarde! |
| Convertirse en autoinstructo: introducir criterios de detención temprana para un ajuste mínimo de instrucciones | https://arxiv.org/abs/2307.03692 | ¡Se subirán más tarde! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| RLHF (aprendizaje de refuerzo de la retroalimentación humana) | https://huggingface.co/blog/rlhf | https://cartinoe5930.tistory.com/entry/%ec%82%ac%eb%9E%8C%EC%9D%98-%ED%94%BC%EB%93%9C%EB%B0%B1%EC%9D%84 -%ED%86%B5%ED%95%9C-%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5-Reinfuerzo Learning-desde-Human-Feedback-RLHF |
| Modelos de lenguaje de equipo rojo con modelos de idiomas | https://arxiv.org/abs/2202.03286 | https://cartinoe5930.tistory.com/entry/red-teaming-language-models-with-language-models-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0 |
| InstructGPT: Modelos de lenguaje de capacitación para seguir las instrucciones con comentarios humanos | https://arxiv.org/abs/2203.02155 | https://cartinoe5930.tistory.com/entry/instructgpt-training-language-models-to-follow-instructionss-with-human-fedback-%eb%85%BC%eb%ac%B8-%eb%AC%eb%B7%B0 |
| Capacitar a un asistente útil e inofensivo con refuerzo aprendiendo de comentarios humanos | https://arxiv.org/abs/2204.05862 | https://cartinoe5930.tistory.com/entry/training-a-helpful-and-harmless-assistant-with-reinforcion-leearning-froman-feedback-%eb%85%BC%eb%ac%B`B%A6%ac%eb%B7%B0 |
| Alpacafarm: un marco de simulación para métodos que aprenden de la retroalimentación humana | https://arxiv.org/abs/2305.14387 | ¡Se subirán más tarde! |
| Casi: alinear modelos de lenguaje grande a través de la retroalimentación sintética | https://arxiv.org/abs/2305.13735 | https://cartinoe5930.tistory.com/entry/aligning-large-language-models-through-synthetic-feedback-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| Problemas abiertos y limitaciones fundamentales del aprendizaje de refuerzo de la retroalimentación humana | https://arxiv.org/abs/2307.15217 | ¡Se subirán más tarde! |
| RLAIF: Escala de refuerzo de refuerzo de la retroalimentación humana con comentarios de IA | https://arxiv.org/abs/2309.00267 | ¡No hay plan! |
| Steerlm: Atributo condicionado a SFT como una alternativa (para el usuario) a RLHF | https://arxiv.org/abs/2310.05344 | ¡No hay plan! |
| HelpSteer: conjunto de datos de ayuda múltiple para Steerlm | https://arxiv.org/abs/2311.09528 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Adaptador: aprendizaje eficiente de parámetros para PNL | https://arxiv.org/abs/1902.00751 | https://cartinoe5930.tistory.com/entry/%eb%8B%B9%EC%8B%A0%EB%8F%84-Fine Tuning- %ED%95%A0-%EC%88%98-%EC%9E%88%EC%8A%B5%EB%8B%88%EB%8B%A4-With-Peft-%F0%9F%A4%97 |
| Ajuste de prefijo: optimización de indicaciones continuas para la generación | https://arxiv.org/abs/2101.00190 | https://cartinoe5930.tistory.com/entry/%eb%8B%B9%EC%8B%A0%EB%8F%84-Fine Tuning- %ED%95%A0-%EC%88%98-%EC%9E%88%EC%8A%B5%EB%8B%88%EB%8B%A4-With-Peft-%F0%9F%A4%97 |
| Lora: adaptación de bajo rango de modelos de idiomas grandes | https://arxiv.org/abs/2106.09685 | https://cartinoe5930.tistory.com/entry/%eb%8B%B9%EC%8B%A0%EB%8F%84-Fine Tuning- %ED%95%A0-%EC%88%98-%EC%9E%88%EC%8A%B5%EB%8B%88%EB%8B%A4-With-Peft-%F0%9F%A4%97 |
| Hacia una visión unificada del aprendizaje de transferencia de parámetros-eficiente | https://arxiv.org/abs/2110.04366 | ¡Se subirán más tarde! |
| Unipelt: un marco unificado para la sintonización del modelo de lenguaje de los parámetros | https://arxiv.org/abs/2110.07577 | ¡Se subirán más tarde! |
| (Ia)^3: El ajuste fino eficiente de los parámetros de pocos disparos es mejor y más barato que el aprendizaje en contexto | https://arxiv.org/abs/2205.05638 | ¡Se subirán más tarde! |
| Qlora: ajuste fino eficiente de LLM cuantificados | https://arxiv.org/abs/2305.14314 | ¡Se subirán más tarde! |
| Apilar más capas de manera diferente: entrenamiento de alto rango a través de actualizaciones de bajo rango | https://arxiv.org/abs/2307.05695 | ¡Se subirán más tarde! |
| Lorahub: Generalización eficiente de la tarea cruzada a través de la composición dinámica de lora | https://arxiv.org/abs/2307.13269 | ¡Se subirán más tarde! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Minería de instrucciones: selección de datos de instrucciones de alta calidad para modelos de idiomas grandes | https://arxiv.org/abs/2307.06290 | ¡No hay plan! |
| Soda: destilación de diálogo a escala de millones con contextualización social de sentido común | https://arxiv.org/abs/2212.10465 | ¡No hay plan! |
| Mods: selección de datos orientada al modelo para el ajuste de instrucciones | https://arxiv.org/abs/2311.15653 | ¡No hay plan! |
| Más allá de los datos humanos: escala autotrenaje para la resolución de problemas con modelos de lenguaje | https://arxiv.org/abs/2312.06585 | ¡No hay plan! |
| Magicoder: el código fuente es todo lo que necesitas | https://arxiv.org/abs/2312.02120 | ¡No hay plan! |
| WaveCoder: ajuste de instrucciones mejorado generalizado y versátil con generación de datos refinados | https://arxiv.org/abs/2312.14187 | ¡No hay plan! |
| Lo que hace buenos datos para la alineación: un estudio integral de la selección automática de datos en el ajuste de instrucciones | https://arxiv.org/abs/2312.15685 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| ¿Cuál es la 'ingeniería rápida'? | ¡Mira mi blog! | https://cartinoe5930.tistory.com/entry/prompt-ingineering%EC%9D%B4-%eb%ac%B4%EC%99%8%EC%9D%BC%EA%B9%8C |
| COT: la provisión de cadena de pensamiento provoca un razonamiento en modelos de idiomas grandes | Blog: https://ai.googleblog.com/2022/05/language-models-perform-razoning-via.html, papel: https://arxiv.org/abs/2201.11903 | https://Cartinoe5930.tistory.com/entry/lm%ec%9D%B4-%ec%C%82%ac%eb%9E%8C%EA%B3%BC-%EC%9C%A0%EC%EC%C%AC%Ed%95%9C-%EC%8%%%B0%81-%ED%EDADEAD %9C%EC%84%B8%EC%8A%A4%EB%A5%BC-%EA%B0%80%EC%A7%80%EA%B2%8C-%EB%90%9C%EB%8B%A4%EB%A9%B4 Cadera de B4-%EB%85%BC BC%EB%B8-%EB%AC6%ACHE ACH |
| Cot cero de disparo: los modelos de lenguaje grande son razonadores de disparo cero | https://arxiv.org/abs/2205.11916 | https://cartinoe5930.tistory.com/entry/large-language-models-ear-zero-shot-ronteroners-%eb%85%bc%eb%ac%B8-%eb%A6%ac%eb%B 19B7%. |
| Los modelos de idiomas son razonadores multilingües de la cadena de pensamiento | https://arxiv.org/abs/2210.03057 | ¡Se subirán más tarde! |
| Auto-COT: cadena de pensamiento automático en modelos de idiomas grandes | https://arxiv.org/abs/2210.03493 | ¡Se subirán más tarde! |
| Cot KD: Enseñar modelos de idiomas pequeños para razonar | https://arxiv.org/abs/2212.08410 | ¡Se subirán más tarde! |
| Tot: Árbol de los pensamientos: resolución deliberada de problemas con modelos de idiomas grandes | https://arxiv.org/abs/2305.10601 | https://cartinoe5930.tistory.com/entry/tree-of-thoughts-deliberate-probleming-solving-with--large-language-models-%eb%BC%eb%Ac%B8-%eb%A6%AC%eb%B7%B0 |
| La colección COT: Mejora de los modelos de lingües de disparo cero y de pocos disparos a través de la cadena de pensamiento. | https://arxiv.org/abs/2305.14045 | https://cartinoe5930.tistory.com/entry/cot-collection-improving-zero-shot-and-few-shot-lelarning-of-language-models-via-chain-fine-fine-tuning-%eb%85%BC%eb%ac%B8-%eb%A6%ac%eb%eb7%B0 %%B0%eb%bc%eb%ac%B8-%eb%A6%ac%eb%eb 17%B0 %%B0 %%Bc%eb%ac%B8-%eb%A6%Ac%eb%eb7%B0%B0 %%B0%eb%Bc%eb%ac%B8-%eb%A6%ac%eb%ebr%B7%B0%%%%%%. |
| Verifiquemos paso a paso | https://arxiv.org/abs/2305.20050 | https://cartinoe5930.tistory.com/entry/lets-verify-step-by-step-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0 |
| Medición de laidad en el razonamiento de la cadena de pensamiento | https://arxiv.org/abs/2307.13702 | ¡Se subirán más tarde! |
| SOT: esqueleto de pensamiento: los modelos de idiomas grandes pueden hacer una decodificación paralela | https://arxiv.org/abs/2307.15337 | ¡Se subirán más tarde! |
| Gráfico de pensamientos: Resolver problemas elaborados con modelos de idiomas grandes | https://arxiv.org/abs/2308.09687 | ¡Se subirán más tarde! |
| De escaso a denso: resumen de GPT-4 con cadena de densidad de densidad | https://arxiv.org/abs/2309.04269 | ¡No hay plan! |
| La cadena de verificación resume la alucinación en modelos de idiomas grandes | https://arxiv.org/abs/2309.11495 | https://www.youtube.com/watch?v=l0zfjwregog&pp=yguugahr0chm6ly9hcnhpdi5vcmcvywjzlzizmdkumte0otu%3d |
| Información de la cadena de pensamiento contrastante | https://arxiv.org/abs/2311.09277 | ¡No hay plan! |
| Hilo de pensamiento desentrañando contextos caóticos | https://arxiv.org/abs/2311.08734 | ¡No hay plan! |
| Atención del sistema 2 (es algo que también puede necesitar) | https://arxiv.org/abs/2311.11829 | ¡No hay plan! |
| Cadena de código: razonamiento con un emulador de código acuático de modelos de idioma | https://arxiv.org/abs/2312.04474 | ¡No hay plan! |
| Título de papel | Papel | Revisión de papel |
|---|---|---|
| FlashAtention: atención exacta rápida y eficiente en memoria | https://arxiv.org/abs/2205.14135 | https://gordicaleksa.medium.com/eli5-flash-attention-5c44017022ad |
| Modelado de idiomas exponencialmente más rápido | https://arxiv.org/abs/2311.10770 | ¡No hay plan! |
| LLM en un flash: inferencia eficiente del modelo de lenguaje grande con memoria limitada | https://arxiv.org/abs/2312.11514 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Aumentos de datos en PNL | blogs: https://neptune.ai/blog/data-augmentation-nlp, https://amitness.com/2020/05/data-augmentation-for-nlp/?fbclid=IwAR11MkccCti-2cD93RYftNPHb7Wxdj7AlZG7NNG4EhPaBkmiJkcBPtdl1eo | https://cartinoe5930.tistory.com/entry/data- augmentation-methods-in-nlp |
| Pet: Explotación de preguntas de Cloze para pocas clasificaciones de texto de disparo e inferencia de lenguaje natural | https://arxiv.org/abs/2001.07676 | https://cartinoe5930.tistory.com/entry/pet-explocoiting-cloze-questions-for-for-few-shot-text-classification-and-natural-language-inference-%eb%85%bc%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| Caminos | https://blog.google/technology/ai/introducing-pathways-next-generation-ai-architecture/ | https://cartinoe5930.tistory.com/entry/%eb%A7%8C%EC%95%BD-%eb%Aa%A8%eb%B%B8%EC%9D%B4-%EC%97%ac%eb%9F%AC-%EA%B0%EA%%%» B0%81%EC%9D%84-%EB%8A%90%EB%82%84-%EC%88%98-%EC%9E 9E 88%EA%B2%8C-%EB%90%9C%EB%8B%A4%EB%A9%B4-PATHWAY-%EB%A6%AC%EB%B7%B7 B7 B0 B0 |
| LMSI: los modelos de lenguaje grande pueden hacer auto | https://arxiv.org/abs/2210.11610 | https://cartinoe5930.tistory.com/entry/lmsi-large-language-models-can-self-improve-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0. |
| Autoestructo: Modelo de lenguaje de alineación con instrucciones autogeneradas | https://arxiv.org/abs/2212.10560 | https://cartinoe5930.tistory.com/entry/self-instruct-aligning-language-model-with-self-generated-instructions-%eb%ebc%eb%ac%B8-%eb%A6%eb%B7%B0 |
| Reflexión: Agentes del lenguaje con aprendizaje de refuerzo verbal | https://arxiv.org/abs/2303.11366 | https://cartinoe5930.tistory.com/entry/reflexion-language-agents-with-verbal-reinforcion-lelarning-%eb%85%Bc%eb%ac%B8-%eb%A6%ac%eb%B7%B0 |
| AutoRefino: Refinamiento iterativo con autocuración | https://arxiv.org/abs/2303.17651 | https://cartinoe5930.tistory.com/entry/self-refine-iterative-refinement-with-self-feedback-%eb%85%bc%eb%ac%b8-%eb%A6%ac%eb%B7%B0. |
| Refinador: retroalimentación de razonamiento sobre representaciones intermedias | https://arxiv.org/abs/2304.01904 | ¡No hay plan! |
| Selfee: LLM iterativo de autovisación expulsada por la generación de autodescribencia | https://kaistai.github.io/selfee/ | https://cartinoe5930.tistory.com/entry/Selfee-Iderative-self-lelf-llm- Excowered-By-Self-Feedback-generation-%eb%BC%EB%AC%B8-%EB%AC%EB%B7%B0 |
| GQA: capacitación de modelos de transformadores múltiples generalizados desde puntos de control de múltiples cabezas | https://arxiv.org/abs/2305.13245 | https://aliissa99.medium.com/-a596e4d86f79 |
| Shpherd: un crítico para la generación de modelos de idiomas | https://arxiv.org/abs/2308.04592 | ¡Se subirán más tarde! |
| Autoalineación con instrucción de instrucciones | https://arxiv.org/pdf/2308.06259 | ¡Se subirán más tarde! |
| Tornillos: un marco modular para el razonamiento con revisiones | https://arxiv.org/pdf/2309.13075 | ¡No hay plan! |
| Nefune: incrustaciones ruidosas mejoran la instrucción Fineuning | https://arxiv.org/abs/2310.05914 | https://cartinoe5930.tistory.com/entry/noise-makes-llm-better-neftune-%f0%9f%98%89 |
| Los modelos de idiomas son Super Mario; Absorbes de habilidades de modelos homólogos como un almuerzo gratis | https://arxiv.org/abs/2311.03099 | ¡No hay plan! |
| Loramoe: Revolución de la mezcla de expertos para mantener el conocimiento mundial en la alineación del modelo de idioma | https://arxiv.org/abs/2312.09979 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Generación de recuperación augtada para tareas de PNL intensivas en conocimiento | https://arxiv.org/abs/2005.11401 | ¡No hay plan! |
| Self-Rag: Aprender a recuperar, generar y criticar a través de la autorreflexión | https://arxiv.org/abs/2310.11511 | ¡No hay plan! |
| InstrucTretro: instrucciones ajustado posterior a la recuperación preventiva | https://arxiv.org/abs/2310.07713 | ¡No hay plan! |
| Generación de recuperación de generación para modelos de idiomas grandes: una encuesta | https://arxiv.org/abs/2312.10997 | ¡No hay plan! |
| Título de papel | Enlace en papel o sitio de referencia | Revisión de papel |
|---|---|---|
| Big Bench Difícil: desafiantes tareas de Big Bench y si la cadena de pensamiento puede resolver Tham | https://arxiv.org/abs/2210.09261 | ¡Se subirán más tarde! |
| Los modelos de idiomas grandes no son evaluadores justos | https://arxiv.org/abs/2305.17926 | ¡Se subirán más tarde! |
| Mt-Bench: Judging LLM-As-A-Judge con Mt-Bench | https://arxiv.org/abs/2306.05685 | ¡Se subirán más tarde! |
| InstructEval: Towards Holistic Evaluation of Instruction-Tuned Large Language Models | https://arxiv.org/abs/2306.04757 | Will be uploaded later! |
| FLASK: Fine-grained Language Model Evaluation based on Alignment Skill Sets | https://arxiv.org/abs/2307.10928 | Will be uploaded later! |
| GAIA: A Benchmark for General AI Assistants | https://arxiv.org/abs/2311.12983 | No plan! |
| Título de papel | Paper or reference site Link | Paper Review |
|---|---|---|
| A Length-Extrapolatable Transformer | https://arxiv.org/abs/2212.10554 | No plan! |
| Extending Context Window of Large Language Models via Positional Interpolation | https://arxiv.org/abs/2306.15595 | https://cartinoe5930.tistory.com/entry/LM%EC%9D%98-context-window-%EA%B8%B8%EC%96%B4%EC%95%BC-%ED%95%A0%EA%B9%8C-%EC%A7%A7%EC%95%84%EC%95%BC-%ED%95%A0%EA%B9%8C-%F0%9F%93%8F%F0%9F%A4%A8 |
| LongNet: Scaling Transformers to 1,000,000,000 Tokens | https://arxiv.org/abs/2307.02486 | https://cartinoe5930.tistory.com/entry/LM%EC%9D%98-context-window-%EA%B8%B8%EC%96%B4%EC%95%BC-%ED%95%A0%EA%B9%8C-%EC%A7%A7%EC%95%84%EC%95%BC-%ED%95%A0%EA%B9%8C-%F0%9F%93%8F%F0%9F%A4%A8 |
| Lost in the Middle: How Language Models Use Long Contexts | https://arxiv.org/abs/2307.03172 | https://cartinoe5930.tistory.com/entry/LM%EC%9D%98-context-window-%EA%B8%B8%EC%96%B4%EC%95%BC-%ED%95%A0%EA%B9%8C-%EC%A7%A7%EC%95%84%EC%95%BC-%ED%95%A0%EA%B9%8C-%F0%9F%93%8F%F0%9F%A4%A8 |
| YaRN: Efficient Context Window Extension of Large Language Models | https://arxiv.org/abs/2309.00071 | No plan! |
| Título de papel | Paper or reference site Link | Paper Review |
|---|---|---|
| Why can GPT learn in-context? | https://arxiv.org/abs/2212.10559 | https://cartinoe5930.tistory.com/entry/Why-can-GPT-learn-in-context-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Sparks of Artificial General Intelligence: Early experiments with GPT-4 | paper: https://arxiv.org/abs/2303.12712, youtube: https://www.youtube.com/watch?v=Mqg3aTGNxZ0 | https://cartinoe5930.tistory.com/entry/Sparks-of-Artificial-General-Intelligence-Early-experiments-with-GPT-4-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| The False Promise of Imitating Proprietary LLMs | https://arxiv.org/abs/2305.15717 | https://cartinoe5930.tistory.com/entry/%EA%B8%B0%EC%A1%B4-imitation-model%EC%9D%80-%EC%9E%98%EB%AA%BB-%ED%95%99%EC%8A%B5%EB%90%98%EA%B3%A0-%EC%9E%88%EB%8B%A4-%F0%9F%AB%A2-The-False-Promise-of-Imitating-Proprietary-L |
| TULU: How Far Can Camels Go? Exploring the State of Instructiopn Tuning on Open Resources | https://arxiv.org/abs/2306.04751 | Will be uploaded later! |
| How Is ChatGPT's Behavior Changing over Time? | https://arxiv.org/abs/2307.09009 | https://cartinoe5930.tistory.com/entry/ChatGPT%EC%9D%98-%EC%84%B1%EB%8A%A5%EC%9D%B4-%EC%95%88-%EC%A2%8B%EC%95%84%EC%A7%80%EA%B3%A0-%EC%9E%88%EB%8B%A4%EA%B5%AC-%F0%9F%98%B2%F0%9F%98%B2 |
| Large Language Models Cannot Self-Correct Reasoning Yet | https://arxiv.org/abs/2310.01798 | |
| How Far Are Large Language Models from Agents with Theory-of-Mind | https://arxiv.org/pdf/2310.03051 | No plan! |
| Can LLMs Follow Simple Rules | https://arxiv.org/abs/2311.04235 | https://www.youtube.com/watch?v=CY6o43037OY |
| Camels in a Changing Climate; Enhancing LM Adaptation with Tulu 2 | https://arxiv.org/abs/2311.10702 | No plan! |
| ChatGPT's One-year Anniversary; Are Open-Source Large Language Models Catching up | https://arxiv.org/abs/2311.15653 | No plan! |
| An In-depth Look at Gemini's Language Abilities | https://arxiv.org/abs/2312.11444 | No plan! |
| Título de papel | Paper or reference site Link | Paper Review |
|---|---|---|
| DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature | https://arxiv.org/abs/2301.11305 | https://cartinoe5930.tistory.com/entry/%EC%9D%B4-%EA%B8%80%EC%9D%B4-LM%EC%9D%B4-%EB%A7%8C%EB%93%A4%EC%96%B4%EB%82%B8-%EA%B8%80%EC%9D%BC%EA%B9%8C-%EB%8F%84%EC%99%80%EC%A4%98-DetectGPT-DetectGPT-Zero-Shot-Machine-Generated-Text-Detection-using-Probability-Curvature-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback | https://arxiv.org/abs/2302.12813 | https://cartinoe5930.tistory.com/entry/ChatGPT%EC%9D%98-hallucination-%EC%96%B4%EB%96%BB%EA%B2%8C-%ED%95%B4%EA%B2%B0%ED%95%B4%EC%95%BC-%ED%95%A0%EA%B9%8C-Check-Your-Facts-and-Try-Again-Improving-Large-Language-Models-with-External-Knowledge-and-Automated-Feedback |
| RecurrentGPT: Interactive Generation of (Arbitrarily) Long Text | https://arxiv.org/abs/2305.13304 | https://cartinoe5930.tistory.com/entry/ChatGPT%EC%97%90-%EB%B0%98%EB%B3%B5-%EB%A9%94%EC%BB%A4%EB%8B%88%EC%A6%98LSTM%EC%9D%84-%EC%82%AC%EC%9A%A9%ED%95%9C%EB%8B%A4%EB%A9%B4-RecurrentGPT-Interactive-Generation-of-Arbitrarily-Long-Text-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Large Language Models as Tool Makers | https://arxiv.org/abs/2305.17126 | https://cartinoe5930.tistory.com/entry/LM%EC%9D%B4-%EB%8F%84%EA%B5%AC%EB%A5%BC-%EC%82%AC%EC%9A%A9%ED%95%98%EA%B2%8C-%EB%90%9C%EB%8B%A4%EB%A9%B4-%F0%9F%94%AC-Large-Language-Models-as-Tool-Makers-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| LLM-Blender: Ensembling Large Language Models with Pairwise Ranking and Generative Fusion | https://arxiv.org/abs/2306.02561 | No plan! |
| Destilación del conocimiento de modelos de idiomas grandes | https://arxiv.org/abs/2306.08543 | https://cartinoe5930.tistory.com/entry/KD%EC%97%90-%EC%82%B4%EC%A7%9D%EC%9D%98-%EB%B3%80%ED%99%94%EB%A5%BC-%EC%A4%98%EB%B3%B4%EC%9E%90-%F0%9F%98%9C-Knowledge-Distillation-of-Large-Language-Models-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Scaling Relationship on Learning Mathematical Reasoning with Large Language Models | https://arxiv.org/abs/2308.01825 | Will be uploaded later! |
| ToolLLM: Facilitating Lare Language Models to Master 16000+ Real-World APIs | https://arxiv.org/abs/2307.16789 | Will be uploaded later! |
| SelfCheck: Using LLMs to Zero-shot Check Their Own Step-by-Step Reasoning | https://arxiv.org/abs/2308.00436 | Will be uploaded later! |
| Solving Challenging Math Word Problems Using GPT-4 Code Interpreter with Code-based Self-Verification | https://arxiv.org/abs/2308.07921 | Will be uploaded later! |
| Large Language Models as Optimizers | https://arxiv.org/abs/2309.03409 | No plan! |
| FIAT: Fusing Learning Paradigms with Instruction-Accelerated Tuning | https://arxiv.org/abs/2309.04663 | https://www.youtube.com/watch?v=EZsZEcRDte0&pp=ygUgaHR0cHM6Ly9hcnhpdi5vcmcvYWJzLzIzMDkuMDQ2NjM%3D |
| Contrastive Decoding Improves Reasoning in Large Language Models | https://arxiv.org/abs/2309.09117 | https://www.youtube.com/watch?v=nMR56TkwC1Q&pp=ygUgaHR0cHM6Ly9hcnhpdi5vcmcvYWJzLzIzMDkuMDkxMTc%3D |
| Think before you speak: Training Language Models with Pause Tokens | https://arxiv.org/abs/2310.02226 | https://www.youtube.com/watch?v=MtJ1jacr_yI |
| Large Language Models Can Learn Rules | https://arxiv.org/abs/2310.07064 | No plan! |
| In-context Pretraining: Language Modeling Beyond Document Boundaries | https://arxiv.org/abs/2310.10638 | https://www.youtube.com/watch?v=GI-0lAaILrU |
| Learning From Mistakes Makes LLM Better Reasoner | https://arxiv.org/abs/2310.20689 | No plan! |
| Language Models can be Logical Solvers | https://arxiv.org/abs/2311.06158 | No plan! |
| MART: Improving LLM Safety with Multi-round Automatic Red-Teaming | https://arxiv.org/abs/2311.07689 | No plan! |
| Fine-tuning Language Models for Factuality | https://arxiv.org/abs/2311.08401 | No plan! |
| Positional Description Matters for Transformers Arithmetic | https://arxiv.org/abs/2311.14737 | No plan! |
| Weak-to-Strong Generalization: Eliciting Strong Capabilities with Weak Supervision | https://arxiv.org/abs/2312.09390 | https://openai.com/research/weak-to-strong-generalization |
| TinyGSM: achieving higher than 80 percentage on GSM8k with small language models | https://arxiv.org/abs/2312.09241 | No plan! |
| Título de papel | Paper or reference site Link | Paper Review |
|---|---|---|
| Morpheme-aware Subword Tokenizer: An Empirical Study of Tokenization Strategies for Various Korean NLP Tasks | https://arxiv.org/abs/2010.02534 | Will be uploaded later! |
| What Changes Can Large-scale Language Models Bring? Intensive Study on HyperCLOVA: Billions-scale Korean Generative Pretrained Transformers | https://arxiv.org/abs/2109.04650 | Will be uploaded later! |
| Título de papel | Paper or reference site Link | Paper Review |
|---|---|---|
| history of CNN | LeNet, AlexNet, VGGNet, GoogLeNet, ResNet, ResNeXt, Sception, Mobilenet, DenseNet, EfficientNet, ConvNext | https://cartinoe5930.tistory.com/entry/CNN-network%EC%9D%98-%EC%97%AD%EC%82%AC |
| ViT: An Image Worth 16 x 16 Words: Transformers for Image Recognition at Scale | https://arxiv.org/abs/2010.11929 | https://cartinoe5930.tistory.com/entry/ViT-An-Image-Worth-16-x-16-Words-Transformers-for-Image-Recognition-at-Scale |
| Swin Transformer: Hierarchical Vision Transformer using Shifted Winodws | https://arxiv.org/abs/2103.14030 | https://cartinoe5930.tistory.com/entry/Swin-Transformer-Hierarchical-Vision-Transformer-using-Shifted-Windows-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| CLIP: Learning Transferable Visual Models From Natural Language Supervision | https://arxiv.org/abs/2103.00020 | https://cartinoe5930.tistory.com/entry/CLIP-Learning-Transferable-Visual-Models-From-Natural-Language-Supervision-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Título de papel | Paper or reference site Link | Paper Review |
|---|---|---|
| Let's learn about VLM(Visual-Language Model) | https://huggingface.co/blog/vision_language_pretraining#supporting-vision-language-models-in-%F0%9F%A4%97-transformers | https://cartinoe5930.tistory.com/entry/VLMVision-Language-Model%EC%97%90-%EB%8C%80%ED%95%B4-%EC%95%8C%EC%95%84%EB%B3%B4%EC%9E%90 |
| VisualBERT: A simple and Performant Baseline for Vision and Language | https://arxiv.org/abs/1908.03557 | https://cartinoe5930.tistory.com/entry/VisualBERT-A-Simple-and-Performant-Baseline-for-Vision-and-Language-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| ViLBERT: Pre-training Task-Agnostic Visiolinguistic Representations for Visual-and-Language Tasks | https://arxiv.org/abs/1908.02265 | https://cartinoe5930.tistory.com/entry/ViLBERT-Pretraining-Task-Agnostic-Visiolinguistic-Representations-for-Visual-and-Language-Tasks |
| LXMERT: Learning Cross-Modality Encoder Representations from Transformers | https://arxiv.org/abs/1908.07490 | https://cartinoe5930.tistory.com/entry/LXMERT-Learning-Cross-Modality-Encoder-Representations-from-Transformers-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| VL-BERT: Pre-training of Generic Visual-Linguistic Representations | https://arxiv.org/abs/1908.08530 | https://cartinoe5930.tistory.com/entry/VL-BERT-Pre-training-of-Generic-Visual-Linguistic-Representations-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| VLP: Unified Vision-Language Pre-Training for Image Captioning and VQA | https://arxiv.org/abs/1909.11059 | https://cartinoe5930.tistory.com/entry/VLP-Unified-Vision-Language-Pre-Traning-for-Image-Captioning-and-VQA-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Oscar: Object-Semantics Aligned Pre-training for Vision-Language Tasks | https://arxiv.org/abs/2004.06165 | https://cartinoe5930.tistory.com/entry/Oscar-Object-Semantics-Aligned-Pre-training-for-Vision-Language-Tasks-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| VinVL: Revisiting Visual Representations in Vision-Language Models | https://arxiv.org/abs/2101.00529 | https://cartinoe5930.tistory.com/entry/VinVL-Revisiting-Visual-Representations-in-Vision-Language-Models-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision | https://arxiv.org/abs/2102.03334 | https://cartinoe5930.tistory.com/entry/ViLT-Vision-and-Language-Transformer-Without-Convolution-or-Region-Supervision-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| ALIGN: Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision | https://arxiv.org/abs/2102.05918 | https://cartinoe5930.tistory.com/entry/ALIGN-Scaling-up-Visual-and-Vision-Language-Representation-with-Noisy-Text-Supervision-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| ALBEF: Vision and Language Representation Learning with Momentum Distillation | https://arxiv.org/abs/2107.07651 | https://cartinoe5930.tistory.com/entry/ALBEF-Vision-and-Language-Representation-Learning-with-Momentum-Distillation-%EB%85%BC%EB%AC%B8 |
| SimVLM: Simple Visual Language Model Pretraining with Weak Supervision | https://arxiv.org/abs/2108.10904 | https://cartinoe5930.tistory.com/entry/SimVLM-Simple-Visual-Language-Model-Pre-training-with-Weak-Supervision-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| VLMo: Unified Vision-Language Pre-training with Mixture-of-Modality-Experts | https://arxiv.org/abs/2111.02358 | https://cartinoe5930.tistory.com/entry/VLMo-Unified-Vision-Language-Pre-training-with-Mixture-of-Modality-Experts-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| LiT : Zero-Shot Transfer with Locked-image text Tuning | https://arxiv.org/abs/2111.07991 | https://cartinoe5930.tistory.com/entry/LiT%F0%9F%94%A5-Zero-Shot-Transfer-with-Locked-image-text-Tuning-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| FLAVA: A Foundational Language And Vision Alignment Model | https://arxiv.org/abs/2112.04482 | https://cartinoe5930.tistory.com/entry/FLAVA-A-Foundational-Language-And-Vision-Alignment-Model-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation | https://arxiv.org/abs/2201.12086 | https://cartinoe5930.tistory.com/entry/BLIP-Bootstrapping-Language-Image-Pre-training-fro-Unified-Vision-Language-Understanding-and-Generation-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| Paper or Posting Title | reference site Link | Revisar |
|---|---|---|
| Knowledge Distillation: Distilling the Knowledge in a Neural Network | https://arxiv.org/abs/1503.02531 | https://cartinoe5930.tistory.com/entry/Distilling-the-Knowledge-in-a-Neural-Network-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0 |
| What is Zero-shot, One-shot, Few-shot Learning? | see my blog! | https://cartinoe5930.tistory.com/entry/Zero-shot-One-shot-Few-shot-Learning%EC%9D%B4-%EB%AC%B4%EC%97%87%EC%9D%BC%EA%B9%8C |
