Dekripprompt
Jika kedatangan LLM yang tiba -tiba membuat Anda merasa frustrasi, Anda mungkin juga membaca memilih strategi kelangsungan hidup senjata Anda untuk akademisi AI yang depresi di direktori home. Bintang untuk terus diperbarui ~
Ringkasan Sumber Daya LLM
- Model open source dan daftar ulasan
- Penalaran Sumber Terbuka, Fine Tuning, Agen, Rag, Kerangka Propmt
- SFT Open Source, RLHF, Dataset Pretrain
- Ringkasan aplikasi di berbagai bidang AIGC
- Tutorial cepat, blog klasik dan wawancara konferensi AI
Baca makalah dengan blog Anda
- Mendekripsi Seri Prompt 1. Prompt Tunning-Free: GPT2 & GPT3 & LAMA & AUTOPROMPT
- Dekripsi Seri Prompt 2. Freeze Prompt Fine Tuning LM: T5 & PET & LM-BFF
- Mendekripsi Seri Prompt 3. Freeze LM Fine-Tuning Prompt: Prefix-Tuning & Prompt Tuning & P-Tuning
- Dekripsi seri 4 prompt.
- Mendekripsi Seri Propt 5. APE+Self = Instruksi Otomatis Set Implementasi Kode Konstruksi
- Mendekripsi Seri Prompt 6. Lora Command Fine -Tuning Rincian - Harap tenang, 1 jam benar -benar tidak cukup ~
- Dekripsi Seri Prompt 7. Penyelarasan Preferensi RLHF-OPENAI · DeepMind · Analisis Komparatif Antropik
- Dekripsi Seri Prompt 8. Tidak perlu pelatihan yang diperlukan untuk memungkinkan LLM untuk mendukung input ultra-panjang: Basis Pengetahuan & UNLIMIFORMER & PCW & NBCE
- Dekripsi Seri 9. COT: Model rantai pemikiran inferensi-basic kompleks dan pemutaran lanjutan
- Mendekripsi Seri Prompt 10. Cot: Eksplorasi Prinsip Rantai Berpikir Rantai Cot
- Mendekripsi Seri Prompt 11. Cot: Model Kecil Juga Dapat Cot, dan Kekurangan Bersama ditambah setelah lahir
- Mendekripsi Seri 12.
- Dekripsi Seri Prompt 13. LLM Agent Instruksi Solusi Fine-Tuning: ToolFormer & Gorilla
- Dekrippt Seri Prompt 14. Desain Aplikasi Pencarian Agen LLM: WebGPT & WebGLM & WebCPM
- Dekripting Seri Prompt 15. Desain Aplikasi Database Agen LLM: DIN & C3 & SQL-PALM & BIRD
- Mendekripsi seri Prompt 16. Semakin sedikit data dalam pengalaman penyelarasan LLM, semakin baik? Ltd & Lima & Alpagasus
- Mendekripsi seri Prompt 17. LLM Solusi Penyelarasan dan Tingkatkan Wizardlm & Backtranslation & Self-align
- Mendekripsi Seri Prompt 18. Dunia Agen LLM dengan hanya agen
- Dekripsi Seri Prompt 19. Aplikasi di bidang Analisis Data Agen LLM: Data-Copilot & InsightPilot
- Mendekripsi seri Prompt 20. RAG's Talke tentang Optimalisasi Keanekaragaman Penarikan
- Mendekripsi Seri 21.
- Dekripsi Seri Prompt 22. Refleksi Rag: Apakah sudah menyerah kompresi atau kecerdasan?
- Dekripsi Seri Prompt 23. Diagram Otak Lengkap dari Model Besar Klasifikasi & Solusi Atribusi & Deteksi & Mitigasi
- Menguras Propt Seri 24. Strategi Pelatihan untuk Solusi RLHF Baru: Slic-HF & DPO & RRHF & RSO
- Mendekripsi Seri Propt 25. Sampel Pelabelan Skema Peningkatan RLHF: RLAIF & Salmon
- Mendekripsi seri cepat 26. Pemikiran manusia vs pemikiran model: pemikiran abstrak dan divergen
- Mendekripsi Seri Propt 27. Cara Mengurangi Kehilangan Kemampuan Umum dalam Pengalaman Penyelarasan LLM
- Mendekripsi serial prompt 28. Agen Keuangan Agen LLM: FinMem & Finagent
- Mendekripsi serial prompt 29. LLM Agen Solusi API Dunia Nyata: Toolllm & Anytool
- Mendekripsi Seri Prompt 30. Agen Surfing Internet LLM Agen
- Dekripsi Prompt Seri 31. Pembelajaran berkelanjutan agen LLM tentang kelincahan
- Dekripsi Seri Prompt 32. Tugas Pemahaman Tabel LLM - Modal Teks
- Dekripsi Seri Prompt 33. Tugas Pemahaman Bagan LLM - Bab Multimodal
- Mendekripsi Seri Propt 34. Pelatihan RLHF mengambil pendekatan yang berbeda: langkah demi langkah & seterusnya
- Mendekripsi Seri Propt 35. Standardisasi cepat sedang berlangsung! Tusuk sate kertas DSPY dan contoh kode
- Mendekripsi seri prompt 36. Penulisan terstruktur dan algoritma optimasi yang cepat uniprompt
- Mendekripsi seri prompt 37. Berbagai strategi untuk keputusan pendahuluan kain kapan untuk terhubung ke internet
- Dekripsi Seri Prompt 38. Kebijakan Routing Multi-Agen
- Mendekripsi Seri Propt 39. Rag mengoptimalkan proses penjadwalan halus dengan bantuan LLM
- Mendekripsi seri propt 40.
- Mendekripsi seri propt 41. Apakah graphrag benar -benar peluru perak?
- Mendekripsi Seri Propt 42. Jalur LLM Menuju Rantai Berpikir Kompleks Dinamis
- Mendekripsi Seri Propt 43. LLM Self Critics
- Mendekripsi Seri Propt 44. Mode Eksplorasi Rag? Mode berpikir yang dalam?
- Mendekripsi seri prompt 45.
- Mendekripsi Seri Propt 46. LLM Contoh kode output terstruktur dan analisis prinsip
- Mendekripsi seri propt 47. Beberapa analisis fitur pemikiran panjang O1
Ringkasan Makalah
Daftar Kertas
- https://github.com/d -Guanting/in-context-learning_paperlist
- https://github.com/thunlp/promptpapers
- https://github.com/timothyxxx/chain-of-thoughtspapers
- https://github.com/thunlp/toleLearningpapers
- https://github.com/mlgroupjlu/llm-eval-survey
- https://github.com/thu-coai/paperforonlg
- https://github.com/khuangaf/awesome-chart-understanding
Rantai pemikiran (prompt_chain_of_thought)
- Penggunaan Dasar & Lanjutan
- 【Model bahasa nol-shot-cot
- 【Rantai cot beberapa pemikiran yang mendorong memunculkan penalaran dalam model bahasa besar
- 【Konsistensi diri】 meningkatkan rantai penalaran pemikiran dalam model bahasa
- 【Ketidakpantasan】 paling tidak paling penting memungkinkan penalaran kompleks dalam model bahasa besar
- 【Tot】 Pohon Pikiran: Pemecahan masalah yang disengaja dengan model bahasa besar
- 【Plan-and-solve】 Meminta: Meningkatkan penalaran rantai nol-shot dengan model bahasa besar
- 【Verifikasi-dan-edit】: Kerangka kerja rantai yang ditingkatkan pengetahuan
- 【Mendapat】 di luar penalaran grafik yang dipikirkan secara rantai dan efektif dalam model bahasa besar
- 【Tomt】 Pohon-Mixed-Thoughts: Menggabungkan pemikiran cepat dan lambat untuk penalaran visual multi-hop
- 【Lambada】: rantai mundur untuk penalaran otomatis dalam bahasa alami
- 【AOT】 Algoritma Pikiran: Meningkatkan Eksplorasi Gagasan dalam Model Bahasa Besar
- 【Punya】 Grafik Pikiran: Memecahkan Masalah Rumit dengan Model Bahasa Besar
- 【PHP】 Progressive-hint yang diminta meningkatkan penalaran dalam model bahasa besar
- 【HTT】 Model bahasa besar dapat mempelajari aturan
- 【Divse】 Keragaman pemikiran meningkatkan kemampuan penalaran model bahasa besar
- 【Cogtree】 dari kompleks ke sederhana: mengungkap pohon kognitif untuk penalaran dengan model bahasa kecil
- 【Back-back】 Ambil langkah mundur: membangkitkan alasan melalui abstraksi dalam model bahasa besar
- 【Opro】 Model Bahasa Besar sebagai Pengoptimal
- 【Bot】 Buffer of Thoughts: Alasan pemikiran dengan model bahasa besar
- Abstrak yang dipikirkan menjadikan model bahasa yang lebih baik
- 【Symbcot】 Penalaran logis yang setia melalui rantai simbolik pemikiran
- 【XOT】 Segalanya: Menentang Hukum Segitiga Penrose untuk Generasi Pikiran
- 【IoT】 iterasi pemikiran: Memanfaatkan dialog batin untuk penalaran model bahasa besar otonom
- 【Titik】 pada diagram pemikiran
- 【ROT】 Pembalikan Pemikiran: Meningkatkan model bahasa besar dengan pemanasan penalaran terbalik yang dipandu preferensi.
- Berpikir ke depan dan mundur: Perencanaan mundur yang efektif dengan model bahasa besar
- 【KR】 Penalaran tingkat K: Membangun keyakinan tingkat tinggi dalam model bahasa besar untuk penalaran strategis
- 【Menemukan diri】 Menemukan diri: Model bahasa besar Komposisi sendiri struktur penalaran diri
- 【Teori-of-Mind】 Seberapa jauh model bahasa besar dari agen dengan teori-pikiran?
- 【PC-Subq】 Strategi Mendukung untuk memungkinkan model bahasa besar menyimpulkan penyebab dari korelasi
- Berpikir terbalik membuat LLMS lebih kuat
- Petunjuk untuk menyelesaikan masalah COT non-tradisional
- Terurai mendorong pendekatan modular untuk menyelesaikan tugas yang kompleks
- Memungkiri permintaan yang berturut -turut untuk membusuk pertanyaan kompleks
- COT [Matematika, Kode, Tabular, QA]
- Memecahkan masalah penalaran kuantitatif dengan model bahasa
- Tunjukkan Pekerjaan Anda: ScratchPads untuk Perhitungan Menengah dengan Model Bahasa
- Memecahkan Masalah Kata Matematika dengan Proses dan Umpan Balik Berbasis Hasil
- Coderl: Menguasai pembuatan kode melalui model pretrained dan pembelajaran penguatan mendalam
- T-SCIQ: Mengajar penalaran rantai multimodal melalui sinyal model bahasa besar untuk menjawab pertanyaan sains
- Pengeditan Kode yang Meningkatkan Kinerja Pembelajaran
- Rantai Kode: Penalaran dengan model kode augmmented model bahasa
- Analisis prinsip
- Rantai pemikiran memberdayakan transformator untuk menyelesaikan masalah serial secara inheren
- Menuju pemahaman rantai-pemikiran yang diminta: studi empiris tentang apa yang penting
- Teks dan Pola: Untuk rantai pemikiran yang efektif dibutuhkan dua untuk tango
- Menuju mengungkapkan misteri di balik rantai pemikiran: perspektif teoritis
- Model bahasa besar dapat dengan mudah terganggu oleh konteks yang tidak relevan
- Penalaran rantai tanpa mendorong
- Induktif atau deduktif? Memikirkan kembali kemampuan penalaran mendasar LLMS
- Beyond Chain-of-Thought: Survei Paradigma Chain-of-X untuk LLMS
- Untuk ranjang atau tidak untuk ranjang? Rantai-dipikirkan terutama membantu matematika dan penalaran simbolis
- Mengapa berpikir langkah demi langkah? Penalaran muncul dari lokasi pengalaman
- Konsistensi internal dan umpan balik diri dalam model bahasa besar: survei
- Iterasi Kepala: Studi Mekanistik Rantai Pikiran
- Dampak dari penalaran panjang langkah pada model bahasa besar
- Apakah model bahasa besar melakukan penalaran multi-hop laten tanpa mengeksploitasi pintasan?
- Rantai pemikiran terkompresi: penalaran yang efisien melalui representasi padat
- Apakah LLMS benar-benar berpikir langkah demi langkah dalam penalaran implisit?
- Distilasi Cot Model Kecil
- Mengkhususkan model bahasa yang lebih kecil menuju penalaran multi-langkah
- Mengajar model bahasa kecil untuk bernalar
- Model bahasa besar adalah guru yang beralasan
- Kemampuan penalaran penyulingan menjadi model bahasa yang lebih kecil
- Koleksi COT: Meningkatkan pembelajaran zero-shot dan beberapa-shot dari model bahasa melalui penyesuaian rantai-dipikirkan
- Sistem Distilling 2 Ke Sistem 1
- Konstruksi Otomatis/Pemilihan Sampel COT
- Autocot: Rantai pemikiran otomatis yang diminta dalam model bahasa besar
- Dorongan aktif dengan rantai model bahasa besar
- Diminta berbasis kompleksitas untuk penalaran multi-langkah
- Pembelajaran Kemampuan Cot
- Model bahasa besar dapat meningkatkan diri sendiri
- Rantai pelatihan pemikiran melalui inferensi variabel laten
- Star tenang: Model bahasa dapat mengajar diri mereka sendiri untuk berpikir sebelum berbicara
- Bintang: Penalaran Bootstrap Penaling Mandiri dengan Penalaran dengan alasan
- V-Star: Pelatihan Verifier untuk Alasan otodidak
- Berpikir Sebelum Anda Berbicara: Model Bahasa Pelatihan Dengan Token Jeda
- Dialog Sintetis dan Revisi Laporan Teknis yang Direksi sendiri
- Yang lain
- Olagpt memberdayakan LLM dengan kemampuan pemecahan masalah seperti manusia
- Menantang tugas-tugas besar dan apakah rantai-pemikiran dapat menyelesaikannya
- Model bahasa besar adalah penalaran yang lebih baik dengan verifikasi diri
- Pemikiran sumber daya pusat untuk data penalaran model bahasa besar
- Dua kegagalan konsistensi diri dalam penalaran multi-langkah LLMS
Rlhf
- DeepMind
- Mengajar model bahasa untuk mendukung jawaban dengan kutipan terverifikasi
- Sparrow, Meningkatkan Penyelarasan Agen Dialog Melalui Penilaian Manusia TargetD
- Pengambilan sampel penolakan statistik meningkatkan optimasi preferensi
- Pelatihan diri yang diperkuat (istirahat) untuk pemodelan bahasa
- Slic-HF: Kalibrasi kemungkinan urutan dengan umpan balik manusia
- Kemungkinan urutan kalibrasi meningkatkan generasi bahasa bersyarat
- Desain Hadiah dengan Model Bahasa
- Final-Answer RL Memecahkan Masalah Kata Matematika dengan Proses dan Umpan Balik Berbasis Hasil
- Memecahkan masalah kata matematika dengan umpan balik berbasis proses dan hasil
- Beyond Human Data: Meningkatkan Pelatihan Mandiri untuk Pemecahan Masalah dengan Model Bahasa
- Obligasi: Menyelaraskan LLM dengan Distilasi Best-of-N
- RL pada data sintetis yang salah skala efisiensi penalaran matematika llm dengan delapan kali lipat
- Verifikasi generatif: pemodelan hadiah sebagai prediksi berikutnya
- Melatih model bahasa untuk mengoreksi diri melalui pembelajaran penguatan
- Openai
- PPO: Algoritma Optimasi Kebijakan Proksimal
- Pembelajaran penguatan yang mendalam untuk preferensi manusia
- Model bahasa yang menyempurnakan dari preferensi manusia
- Belajar meringkas dari umpan balik manusia
- Instruktur: Model Bahasa Pelatihan untuk mengikuti instruksi dengan umpan balik manusia
- Hukum penskalaan untuk model hadiah atas optimasi
- Generalisasi lemah-ke-kuat: memunculkan kemampuan kuat dengan pengawasan yang lemah
- PRM: Mari kita verifikasi langkah demi langkah
- Pelatihan verifikasi untuk menyelesaikan masalah kata matematika [pra-ketergantungan PRM]
- Blog Openai Super Alignment
- Kritik LLM membantu menangkap bug LLM
- Permainan prover-verifier meningkatkan keterbacaan output LLM
- Hadiah Berbasis Aturan untuk Keselamatan Model Bahasa
- Model Kritik Diri untuk membantu evaluator manusia
- Antropik
- Asisten Bahasa Umum sebagai Laboratorium untuk Alignmen
- Mengukur kemajuan pada pengawasan yang dapat diskalakan atau model bahasa besar
- Model bahasa tim merah untuk mengurangi metode bahaya, perilaku penskalaan dan pelajaran yang dipetik
- Melatih asisten yang membantu dan tidak berbahaya dengan pembelajaran penguatan dari umpan balik manusia
- AI konstitusional tidak berbahaya dari umpan balik AI
- Model bahasa pretraining dengan preferensi manusia
- Kapasitas untuk koreksi diri moral dalam model bahasa besar
- Agen Sleeper: Pelatihan Penipuan LLM yang bertahan melalui Trainin Keselamatan
- Allenai, RL4LM: adalah pembelajaran penguatan (tidak) untuk tolok ukur pemrosesan bahasa alami
- Rencana perbaikan
- RRHF: Peringkat Responses to Align Bahasa Model dengan Umpan Balik Manusia Tanpa Air Mata
- Rantai Hindsight Menyelaraskan Model Bahasa dengan Umpan Balik
- Alpacafarm: Kerangka kerja simulasi untuk metode yang belajar dari umpan balik manusia
- RAFT: Hadiah Peringkat Finetuning untuk Alignment Model Yayasan Generatif
- RLAIF: Penskalaan Penguatan Pembelajaran dari Umpan Balik Manusia dengan Umpan Balik AI
- Melatih model bahasa yang disejajarkan secara sosial dalam masyarakat manusia yang disimulasikan
- Hujan: Model bahasa Anda dapat menyelaraskan diri tanpa finetuning
- Hakim Generatif untuk Mengevaluasi Penyelarasan
- Peering Melalui Preferensi: Mengurai Akuisisi Umpan Balik untuk Menyelaraskan Model Bahasa Besar
- Salmon: Penyelarasan diri dengan model hadiah yang mengikuti prinsip
- Model Bahasa Besar Menggunakan
- Optimasi preferensi permusuhan
- Optimasi peringkat preferensi untuk penyelarasan manusia
- Jalan panjang untuk pergi: menyelidiki korelasi panjang di RLHF
- Aktifkan model bahasa untuk secara implisit mempelajari peningkatan diri dari data
- Ansambel model penghargaan membantu mengurangi optimasi berlebihan
- Mempelajari keuntungan optimal dari preferensi dan salah mengira hadiahnya
- Ultrafeedback: Meningkatkan model bahasa dengan umpan balik berkualitas tinggi
- Motif: Motivasi Intrinsik dari Umpan Balik Kecerdasan Buatan
- Menstabilkan RLHF melalui Model Keunggulan dan Latihan Selektif
- Shepherd: Seorang kritikus untuk generasi model bahasa
- Belajar menghasilkan lebih baik dari LLM Anda
- Umpan balik manusia berbutir halus memberikan hadiah yang lebih baik untuk pelatihan model bahasa
- Penyelarasan diri yang didorong oleh prinsip model bahasa dari awal dengan pengawasan manusia minimal
- Optimalisasi Preferensi Langsung: Model bahasa Anda secara diam -diam adalah model hadiah
- Hir The Wisdom of Hindsight Membuat Model Bahasa Pengikut Instruksi yang Lebih Baik
- Aligner: Mencapai penyelarasan yang efisien melalui koreksi yang lemah ke kuat
- Pendekatan minimaximalis untuk pembelajaran penguatan dari umpan balik manusia
- Panda: Adaptasi preferensi untuk meningkatkan kemampuan spesifik domain LLMS
- Pencarian Lemah-Kencang: Sejajarkan model bahasa besar melalui pencarian model bahasa kecil
- Ekstrapolasi yang lemah-kuat mempercepat penyelarasan
- Apakah DPO lebih unggul dari PPO untuk penyelarasan LLM? Studi yang komprehensif
- Optimasi preferensi langsung tingkat token
- Simpo: Optimalisasi Preferensi Sederhana dengan Hadiah Bebas Referensi
- Autodetect: Menuju kerangka kerja terpadu untuk deteksi kelemahan otomatis dalam model bahasa besar
- Model Bahasa Meta-Meta: Penyelarasan Meningkatkan Diri dengan LLM-AS-A-META-Hakim
- HelpSteer: Dataset Bantuan Multi-Atribut untuk Steerlm
- Introspeksi Rekursif: Mengajar Agen Model Bahasa Cara Meningkatkan Sendiri
- Meningkatkan kemampuan penalaran multi-langkah model bahasa melalui optimisasi fungsi-Q langsung
- Deepseekmath: Mendorong batas penalaran matematika dalam model bahasa terbuka
- Glore: Kapan, di mana, dan bagaimana meningkatkan penalaran LLM melalui penyempurnaan global dan lokal
- Reft: Penalaran dengan fine-tuning yang diperkuat
- SCPO: Optimalisasi preferensi konsistensi diri
- RL Eksplorasi
- Memahami efek RLHF pada generalisasi dan keragaman LLM
- Jalan panjang untuk pergi: menyelidiki korelasi panjang di RLHF
- Dampak trickle-down dari konsistensi hadiah (dalam-) pada RLHF
- Masalah terbuka dan keterbatasan mendasar pembelajaran penguatan dari umpan balik manusia
- Umpan balik manusia bukanlah standar emas
- Model bahasa besar pasca pelatihan kontras pada kurikulum data
- Model bahasa menolak penyelarasan
Post Train (dengan RL, RL)
- Penskalaan inferensi
- Analisis empiris inferensi komputasi-optimal untuk pemecahan masalah dengan model bahasa
- Apakah lebih banyak panggilan LM yang Anda butuhkan? Menuju Sifat Penskalaan Sistem AI Senyawa
- Monyet Bahasa Besar: Menskalakan Inferensi Hitung Dengan Pengambilan Sampel Berulang
- SCALING LLM Test-Time Compute secara optimal dapat lebih efektif daripada parameter model penskalaan
- Q*: Meningkatkan penalaran multi-langkah untuk LLMS dengan perencanaan deliberatif
- Perencanaan dalam bahasa alami meningkatkan pencarian LLM untuk pembuatan kode
- REST-MCTS ∗: LLM Melatih diri melalui proses Pencarian Pohon Terpandu Proses
- Pencarian pohon seperti alphazero dapat memandu decoding dan pelatihan model bahasa besar
- Yang lebih kecil, lebih lemah, namun lebih baik: melatih penalaran LLM melalui pengambilan sampel komputasi-optimal
- Efektivitas mengejutkan dari pelatihan test-time untuk penalaran abstrak
- Penskalaan Inferensi untuk Pengambilan Konteks Panjang Generasi augmented
- Menuju Perbaikan Diri LLMs melalui Imajinasi, Pencarian, dan Menyebrimbing
- Rekanan Berpikir Lambat
- O1 Replication Journey: Laporan Kemajuan Strategis - Bagian 1
- Marco-O1: Menuju model penalaran terbuka untuk solusi terbuka
- Studi perbandingan tentang pola penalaran model O1 Openai
- Meniru, mengeksplorasi, dan meningkatkan diri: Laporan reproduksi tentang sistem penalaran yang berpikiran lambat
- DualFormer: Pemikiran cepat dan lambat yang dapat dikendalikan dengan belajar dengan jejak penalaran acak
- Melatih model bahasa besar untuk bernalar dalam ruang laten yang berkelanjutan
- Beyond A ∗: perencanaan yang lebih baik dengan transformer melalui pencarian dinamika bootstrap
- O1-Coder: Replikasi O1 untuk pengkodean
- Penskalaan Pencarian dan Pembelajaran: Roadmap untuk Mereproduksi O1 dari Perspektif Pembelajaran Penguatan
- Sky-T1: Latih model pratinjau O1 Anda sendiri dalam $ 450
- Menuju Sistem 2 Penalaran di LLMS: Mempelajari cara berpikir dengan meta rantai-pemikiran
Instruksi Fine-Tuning & Alignment (Instruction_tunning)
- Solusi klasik
- Flan: Model Bahasa Finetuned adalah pelajar zero-shot
- Flan-T5: Model Bahasa yang Di-Instruksi Penskalaan
- Ext5: Menuju penskalaan multi-tugas yang ekstrem untuk pembelajaran transfer
- Instruksi-GPT: Model Bahasa Pelatihan untuk mengikuti instruksi dengan umpan balik manusia
- T0: Multitask Minta Pelatihan Mengaktifkan Generalisasi Tugas Zero-Shot
- Instruksi Alami: Generalisasi lintas tugas melalui instruksi crowdsourcing bahasa alami
- TK-INSTRUCT: SUPER-Natural Instruksi: Generalisasi melalui instruksi deklaratif pada 1600+ tugas NLP
- Zeroprompt: Penskalaan pretraining berbasis prompt menjadi 1.000 tugas meningkatkan generalisasi zero-shot
- Instruksi yang tidak wajar: Tuning model bahasa dengan (hampir) tidak ada tenaga manusia
- Instruktur Menuju Evaluasi Holistik dari Model Bahasa Besar yang Disetel Instrucion
- Hukum penskalaan data sft
- Lima: Lebih sedikit lebih banyak untuk penyelarasan
- Mungkin hanya data 0,5% yang diperlukan: eksplorasi awal penyetelan instruksi data pelatihan rendah
- Alpagasus: Melatih alpaca yang lebih baik dengan data yang lebih sedikit
- InstruksionGPT-4: Paradigma 200-instruksi untuk menyempurnakan Minigpt-4
- Penambangan Instruksi: Pemilihan data instruksi berkualitas tinggi untuk model bahasa besar
- Penyetelan instruksi visual dengan flamingo yang sopan
- Menjelajahi dampak penskalaan data instruksi pada model bahasa besar: studi empiris pada kasus penggunaan dunia nyata
- SKALING Hubungan tentang Belajar Penalaran Matematika dengan Model Bahasa Besar
- Saat penskalaan memenuhi llm finetuning: efek data, model dan metode finetuning
- Skema Alignment/Fine-tuning baru
- Wizardlm: Memberdayakan model bahasa besar untuk mengikuti instruksi yang kompleks
- Menjadi instruktur diri: Memperkenalkan kriteria penghentian awal untuk penyetelan instruksi minimal
- Penyelarasan diri dengan translanslasi instruksi
- Campuran Ekspertion Memenuhi Penyetelan Instruksi: Kombinasi yang menang untuk model bahasa besar
- Kambing: Llama yang disempurnakan mengungguli GPT-4 pada tugas aritmatika
- Prompt2Model: Menghasilkan model yang dapat digunakan dari instruksi bahasa alami
- OpinionGPT: Pemodelan Bias Eksplisit dalam LLMS yang disesuaikan dengan instruksi
- Meningkatkan Model Bahasa Negosiasi dengan mandiri dan pembelajaran dalam konteks dari umpan balik AI
- Generalisasi sistematis seperti manusia melalui jaringan saraf meta-pembelajaran
- Magicoder: Kode sumber adalah semua yang Anda butuhkan
- Beyond Human Data: Meningkatkan Pelatihan Mandiri untuk Pemecahan Masalah dengan Model Bahasa
- Tuning Instruksi Representasi Generatif
- Inscl: Paradigma pembelajaran berkelanjutan yang efisien data untuk menyempurnakan model bahasa besar dengan instruksi
- Hirarki Instruksi: Pelatihan LLMS untuk memprioritaskan instruksi istimewa
- Magpie: Sintesis Data Alignment dari awal dengan mendorong LLMS yang selaras dengan tidak ada
- Pembuatan data instruksi
- Ape: Model bahasa besar adalah insinyur prompt tingkat manusia
- Mandiri: Model Bahasa Menyelaraskan dengan instruksi yang dihasilkan sendiri
- iPrompt: Menjelaskan pola data dalam bahasa alami melalui autoprompting yang dapat diartikan
- Pembelajaran Terbalik: Tebak instruksi! Pembelajaran terbalik membuat model bahasa yang lebih kuat menjadi pelajar zero-shot
- Beberapa tembakan yang dipandu keadilan untuk model bahasa besar
- Induksi Instruksi: Dari beberapa contoh ke deskripsi tugas bahasa alami.
- Self-qA yang tidak diawasi pengetahuan terpandu.
- GPT Mandiri untuk Annotator Data yang Lebih Baik
- Koleksi Flan merancang data dan metode
- Model generatif yang memakan diri menjadi gila
- Instruktur: Evaluasi sistematis metode pemilihan instruksi
- Menimpa bias pretrained dengan data finetuning
- Meningkatkan embedding teks dengan model bahasa besar
- Magpie: Sintesis Data Alignment dari awal dengan mendorong LLMS yang selaras dengan tidak ada
- Menskalakan Pembuatan Data Sintetis dengan 1.000.000.000 Persona
- Melepaskan kemampuan penalaran LLMS melalui sintesis pertanyaan yang dapat diskalakan dari awal
- Survei tentang sintesis data dan augmentasi untuk model bahasa besar
- AgentInstruct: Menuju Pengajaran Generatif dengan Aliran Agen
- Mengungkap Kelemahan: Menjelajahi ketidaksempurnaan dalam data sintetis dan strategi mitigasi untuk model bahasa besar
- Bagaimana mengurangi kehilangan kapasitas umum
- Bagaimana kemampuan dalam model bahasa besar dipengaruhi oleh komposisi data penyesuaian yang diawasi
- Fine-tuning LLM dua tahap dengan lebih sedikit spesialisasi dan lebih banyak generalisasi
- Laporan Pengalaman/Eksperimental Menyetujui
- Belle: Menjelajahi Dampak Penskalaan Data Instruksi pada Model Bahasa Besar: Studi Empiris pada Kasus Penggunaan Dunia Nyata
- Baize: Baize: Model obrolan open-source dengan penyetelan parameter-efisien pada data self-try
- Studi perbandingan antara parameter penuh dan penyesuaian berbasis LORA pada data instruksi Cina untuk LM besar
- Menjelajahi Kemampuan Chatgpt untuk Memerintah Konten: Studi Pendahuluan tentang Konsistensi dengan Preferensi Manusia
- Menuju instruksi yang lebih baik mengikuti model bahasa untuk bahasa Cina: menyelidiki dampak data pelatihan dan evaluasi
- Fine Tuning LLMS for Enterprise: Pedoman Praktis dan Rekomendasi
- Yang lain
- Generalisasi crosslingual melalui finetuning multitask
- Generalisasi lintas tugas melalui instruksi crowdsourcing bahasa alami
- UnifiedSKG: Mempersatukan dan multi-tasking pengetahuan terstruktur dengan model bahasa teks-ke-teks
- Sumber Prompt: Lingkungan Pengembangan Terpadu dan Repositori untuk Permintaan Bahasa Alami
- Rolellm: Benchmarking, memunculkan, dan meningkatkan kemampuan bermain peran dari model bahasa besar
Agen LLM Biarkan alat penggunaan model (llm_agent)
- Agen AI: Menyurvei cakrawala interaksi multimodal
- Survei tentang agen otonom berbasis model bahasa besar
- Agen LLM Pribadi: Wawasan dan Survei tentang Kemampuan, Efisiensi, dan Keamanan
- Solusi Umum Berdasarkan Propt
- Bereaksi: Sinergisasi Penalaran dan Bertindak dalam Model Bahasa
- Mandiri: Mengukur dan mempersempit kesenjangan komposisionalitas dalam model bahasa
- Sistem MRKL Modular, arsitektur simbolik neuro yang menggabungkan model bahasa besar, sumber pengetahuan eksternal dan penalaran diskrit
- Pal: Model Bahasa Bantuan Program
- Seni: Penalaran multi-langkah otomatis dan penggunaan alat untuk model bahasa besar
- Rewoo: Decoupling Alasan dari Pengamatan untuk Model Bahasa augmented yang efisien
- Pengambilan interleaving dengan penalaran rantai untuk pertanyaan multi-langkah intensif pengetahuan
- Bunglon: Penalaran komposisi plug-and-play dengan model bahasa besar
- Penalaran rantai yang setia
- Refleksi: Agen bahasa dengan pembelajaran penguatan verbal
- Verifikasi-dan-Edit: Kerangka kerja rantai yang ditingkatkan pengetahuan
- RESTGPT: Menghubungkan model bahasa besar dengan API RESTful dunia nyata
- CHATCOT: Penalaran berantai-rantai yang dipikirkan oleh alat pada model bahasa besar berbasis obrolan
- Instruktur: Model bahasa besar untuk sistem dialog berorientasi tugas ujung ke ujung
- TPTU: Perencanaan Tugas dan Penggunaan Alat Agen AI Berbasis Model Bahasa
- ControllLM: Augment Language Models dengan alat dengan mencari di grafik
- Refleksi: agen otonom dengan memori dinamis dan refleksi diri
- Autoagents: Kerangka kerja untuk pembuatan agen otomatis
- Gitagent: memfasilitasi agen otonom dengan github dengan ekstensi alat
- Preact: Memprediksi Masa Depan Dalam React Meningkatkan Kemampuan Perencanaan Agen
- TOOLLLM: Memfasilitasi model bahasa besar untuk menguasai 16000+ API dunia nyata -Apok: agen hierarkis yang reflektif diri sendiri untuk panggilan API skala besar
- AIOS: Sistem Operasi Agen LLM
- Kompiler llm kompiler llm untuk panggilan fungsi paralel
- In-invoke: Menulis ulang doa alat untuk pengambilan alat nol-shot
- Solusi Umum Berdasarkan Fine-tuning
- Talm: Alat Augmented Language Model
- ToolFormer: Model bahasa dapat mengajar diri mereka sendiri untuk menggunakan alat
- Pembelajaran Alat dengan Model Yayasan
- Pembuat alat: Model bahasa besar sebagai pembuat alat
- Taskmatrix.ai: Tugas Selesai dengan Menghubungkan Model Yayasan Dengan Jutaan API
- AgentTuning: Mengaktifkan Aabilitas Agen Umum untuk LLMS
- SwiftSage: Agen generatif dengan pemikiran cepat dan lambat untuk tugas interaktif yang kompleks
- Fireact: Menuju fine-tuning agen bahasa
- Pangu-agent: agen generalis yang dapat disempurnakan dengan penalaran terstruktur
- Istirahat Bertemu Bereaksi: Perbaikan Diri untuk Agen LLM Penalaran Multi-Langkah
- Penggunaan alat yang efisien dengan penalaran pengurangan rantai
- Agen-Flan: Merancang data dan metode penyetelan agen yang efektif untuk model bahasa besar
- Agentohana: Desain data terpadu dan pipa pelatihan untuk pembelajaran agen yang efektif
- Agen Lumos: Pelatihan terpadu dan modular untuk agen bahasa open-source
- Toolgen: Pengambilan Alat Terpadu dan Memanggil melalui Generasi
- Memanggil Skema Model
- HuggingGpt: Memecahkan tugas AI dengan chatgpt dan teman -temannya di Huggingface
- Gorilla: Model bahasa besar yang terhubung dengan API besar
- Openagi: Saat LLM bertemu dengan para ahli domain
- Bidang vertikal
- Analisis Data
- DS-Agent: Ilmu Data Otomatis dengan Memberdayakan Model Bahasa Besar Dengan Penalaran Berbasis Kasus
- Insightlens: Menemukan dan Menjelajahi Wawasan Dari Konteks Percakapan Dalam Analisis Data Bertenaga Model Besar
- Data-Copilot: Bridgering Miliaran Data dan Manusia dengan Alur Kerja Otonomi
- Demonstrasi InsightPilot: Sistem Eksplorasi Data Otomatis LLM
- Taskweaver: Kerangka Kerja Agen First Kode
- Ilmu Sosial Otomatis: Model Bahasa sebagai Ilmuwan dan Subjek
- Interpreter Data: Agen LLM untuk Ilmu Data
- keuangan
- Weaverbird: memberdayakan pengambilan keputusan keuangan dengan model bahasa besar, basis pengetahuan, dan mesin pencari
- Fingpt: Model Bahasa Besar Keuangan Sumber Terbuka
- FinMem: Agen perdagangan LLM yang ditingkatkan kinerja dengan memori berlapis dan desain karakter
- Alphafin: Benchmarking Analisis Keuangan Menggunakan Kerangka Kerja Rantai Saham yang Ditingkatkan Pencarian
- Agen Yayasan Multimodal untuk Perdagangan Keuangan: Alat-Agusted, Diversifikasi, dan Generalis
- Bisakah model bahasa besar mengalahkan Wall Street? Meluncurkan potensi AI dalam pemilihan stok
- Meningkatkan deteksi anomali di pasar keuangan dengan kerangka multi-agen berbasis LLM
- Tradinggpt: Sistem multi-agen dengan memori berlapis dan karakter berbeda untuk peningkatan kinerja perdagangan keuangan
- FINROBOT: Platform agen AI open-source untuk aplikasi keuangan menggunakan model bahasa besar
- LLMFACTOR: Mengekstraksi Faktor Menguntungkan Melalui Permintaan untuk Prediksi Gerakan Stok yang Dapat Diterjemahkan
- Alpha-GPT: Penambangan Alpha Interaktif Manusia-AI untuk Investasi Kuantitatif
- Memajukan Deteksi Anomali: Pengkodean Data Keuangan Non-Semantik dengan LLMS
- Tradexpert: Merevolusi Perdagangan dengan Campuran LLM Ahli
- FinVision: Kerangka kerja multi-agen untuk prediksi pasar saham
- AI dalam analisis investasi: LLMS untuk peringkat saham ekuitas
- AAPM: model penetapan harga aset berbasis agen model bahasa besar
- Biomedis
- Genegpt: Menambah model bahasa besar dengan alat domain untuk meningkatkan akses ke informasi biomedis
- Chemcrow menambah model bahasa besar dengan alat kimia
- Menghasilkan Penjelasan dalam Pertanyaan Medis yang Dijawab dengan Ekspektasi Maksimalisasi Inferensi atas Bukti
- Rumah Sakit Agen: Simulacrum Rumah Sakit dengan Agen Medis yang Dapat Dievolusi
- Mengintegrasikan pengetahuan kimia dalam model bahasa besar melalui rekayasa cepat
- agen web/seluler
- AutoWebGLM: Bootstrap dan memperkuat agen navigasi web berbasis model bahasa yang besar
- Webagent dunia nyata dengan perencanaan, pemahaman konteks panjang, dan sintesis program
- Mind2Web: Menuju Agen Generalis untuk Web
- Pembelajaran Penguatan Miniwob ++ pada Antarmuka Web Menggunakan Eksplorasi yang Dipandu Alur Kerja
- Webarena: Lingkungan web yang realistis melarang agen otonom
- Autocrawler: Agen Web Pemahaman Progresif untuk Pembuatan Perayap Web
- Weblinx: Navigasi situs web dunia nyata dengan dialog multi-turn
- WebVoyager: Membangun agen web ujung ke ujung dengan model multimodal yang besar
- Cogagent: Model Bahasa Visual untuk Agen GUI
- Mobile-Agent-V2: Asisten Operasi Perangkat Seluler dengan Navigasi yang Efektif melalui Kolaborasi Multi-Agen
- WebCanvas: Benchmarking Web Agents di Lingkungan Online
- Dawn of GUI Agen: Studi kasus pendahuluan dengan penggunaan komputer Claude 3.5
- Insinyur Perangkat Lunak
- Agen dalam Rekayasa Perangkat Lunak: Survei, Lansekap, dan Visi
- Chatdev: Agen komunikatif untuk pengembangan perangkat lunak
- lainnya
- Laboratorium Agen: Menggunakan agen LLM sebagai asisten peneliti
- Peneliti: Generasi Ide Penelitian Iteratif Melalui Sastra Ilmiah Dengan Model Bahasa Besar
- Webshop: Menuju interaksi web dunia nyata yang dapat diskalakan dengan agen bahasa grounded
- ToolkEngpt: Menambah model bahasa beku dengan alat besar melalui embeddings alat
- Pointllm: Memberdayakan Model Bahasa Besar Untuk Memahami Point Clouds
- Pertanyaan hukum bentuk panjang yang dapat ditafsirkan yang menjawab dengan model bahasa besar pengambilan-pengambilan
- Carexpert: Memanfaatkan model bahasa besar untuk menjawab pertanyaan percakapan di dalam mobil
- Sciagents: Mengotomatisasi Penemuan Ilmiah Melalui Penalaran Grafik Cerdas Multi-Agen
- Mengevaluasi
- Evaluating Verifiability in Generative Search Engines
- Auto-GPT for Online Decision Making: Benchmarks and Additional Opinions
- API-Bank: A Benchmark for Tool-Augmented LLMs
- ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs
- Automatic Evaluation of Attribution by Large Language Models
- Benchmarking Large Language Models in Retrieval-Augmented Generation
- ARES: An Automated Evaluation Framework for Retrieval-Augmented Generation Systems
- Agent-as-a-Judge: Evaluate Agents with Agents
- MultiAgent
- GENERATIVE AGENTS
- LET MODELS SPEAK CIPHERS: MULTIAGENT DEBATE THROUGH EMBEDDINGS
- War and Peace (WarAgent): Large Language Model-based Multi-Agent Simulation of World Wars
- Small LLMs Are Weak Tool Learners: A Multi-LLM Agent
- Merge, Ensemble, and Cooperate! A Survey on Collaborative Strategies in the Era of Large Language Models
- Generative Agents: Interactive Simulacra of Human Behavior
- AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors in Agents
- System-1.x: Learning to Balance Fast and Slow Planning with Language Models
- Agents Thinking Fast and Slow:A Talker-Reasoner Architecture
- Generative Agent Simulations of 1,000 People
- Advanced Reasoning and Learning for Autonomous AI Agents
- 多智能体系统
- Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence
- MULTI-AGENT COLLABORATION: HARNESSING THE POWER OF INTELLIGENT LLM AGENTS
- Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks
- 任务型智能体协作
- METAAGENTS: SIMULATING INTERACTIONS OF HUMAN BEHAVIORS FOR LLM-BASED TASK-ORIENTED COORDINATION VIA COLLABORATIVE
- CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Model Society
- Exploring Large Language Models for Communication Games: An Empirical Study on Werewolf
- Communicative Agents for Software Development
- MedAgents: Large Language Models as Collaborators for Zero-shot Medical Reasoning
- METAGPT: META PROGRAMMING FOR A MULTI-AGENT COLLABORATIVE FRAMEWORK
- 智能体路由
- One Agent To Rule Them All: Towards Multi-agent Conversational AI
- A Multi-Agent Conversational Recommender System
- 基座模型路由&Ensemble
- Large Language Model Routing with Benchmark Datasets
- LLM-BL ENDER: Ensembling Large Language Models with Pairwise Ranking and Generative Fusion
- RouteLLM: Learning to Route LLMs with Preference Data
- More Agents Is All You Need
- Routing to the Expert: Efficient Reward-guided Ensemble of Large Language Models
- 自主学习和探索进化
- AppAgent: Multimodal Agents as Smartphone Users
- Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution
- LLMs in the Imaginarium: Tool Learning through Simulated Trial and Error
- Empowering Large Language Model Agents through Action Learning
- Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents
- OS-COPILOT: TOWARDS GENERALIST COMPUTER AGENTS WITH SELF-IMPROVEMENT
- LLAMA RIDER: SPURRING LARGE LANGUAGE MODELS TO EXPLORE THE OPEN WORLD
- PAST AS A GUIDE: LEVERAGING RETROSPECTIVE LEARNING FOR PYTHON CODE COMPLETION
- AutoGuide: Automated Generation and Selection of State-Aware Guidelines for Large Language Model Agents
- A Survey on Self-Evolution of Large Language Models
- ExpeL: LLM Agents Are Experiential Learners
- ReAct Meets ActRe: When Language Agents Enjoy Training Data Autonomy
- PROACTIVE AGENT: SHIFTING LLM AGENTS FROM REACTIVE RESPONSES TO ACTIVE ASSISTANCE
- From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning
- lainnya
- LLM+P: Empowering Large Language Models with Optimal Planning Proficiency
- Inference with Reference: Lossless Acceleration of Large Language Models
- RecallM: An Architecture for Temporal Context Understanding and Question Answering
- LLaMA Rider: Spurring Large Language Models to Explore the Open World
- LLMs Can't Plan, But Can Help Planning in LLM-Modulo Frameworks
LAP
- 经典论文
- WebGPT：Browser-assisted question-answering with human feedback
- WebGLM: Towards An Efficient Web-Enhanced Question Answering System with Human Preferences
- WebCPM: Interactive Web Search for Chinese Long-form Question Answering
- REPLUG: Retrieval-Augmented Black-Box Language Models
- RETA-LLM: A Retrieval-Augmented Large Language Model Toolkit
- Atlas: Few-shot Learning with Retrieval Augmented Language Models
- RRAML: Reinforced Retrieval Augmented Machine Learning
- FRESHLLMS: REFRESHING LARGE LANGUAGE MODELS WITH SEARCH ENGINE AUGMENTATION
- Penyesuaian yang baik
- RLCF：Aligning the Capabilities of Large Language Models with the Context of Information Retrieval via Contrastive Feedback
- RA-DIT: RETRIEVAL-AUGMENTED DUAL INSTRUCTION TUNING
- CHAIN-OF-NOTE: ENHANCING ROBUSTNESS IN RETRIEVAL-AUGMENTED LANGUAGE MODELS
- RAFT: Adapting Language Model to Domain Specific RAG
- Rich Knowledge Sources Bring Complex Knowledge Conflicts: Recalibrating Models to Reflect Conflicting Evidence
- 其他论文
- Investigating the Factual Knowledge Boundary of Large Language Models with Retrieval Augmentation
- PDFTriage: Question Answering over Long, Structured Documents
- Walking Down the Memory Maze: Beyond Context Limit through Interactive Reading
- Active Retrieval Augmented Generation
- kNN-LM Does Not Improve Open-ended Text Generation
- Can Retriever-Augmented Language Models Reason? The Blame Game Between the Retriever and the Language Model
- DORIS-MAE: Scientific Document Retrieval using Multi-level Aspect-based Queries
- Factuality Enhanced Language Models for Open-Ended Text Generation
- KwaiAgents: Generalized Information-seeking Agent System with Large Language Models
- Complex Claim Verification with Evidence Retrieved in the Wild
- Retrieval-Augmented Generation for Large Language Models: A Survey
- ChatQA: Building GPT-4 Level Conversational QA Models
- RAG vs Fine-tuning: Pipelines, Tradeoffs, and a Case Study on Agriculture
- Benchmarking Large Language Models in Retrieval-Augmented Generation
- T-RAG: Lessons from the LLM Trenches
- ARAGOG: Advanced RAG Output Grading
- ActiveRAG: Revealing the Treasures of Knowledge via Active Learning
- OpenResearcher: Unleashing AI for Accelerated Scientific Research
- Contextual.ai-RAG2.0
- Mindful-RAG: A Study of Points of Failure in Retrieval Augmented Generation
- Memory3 : Language Modeling with Explicit Memory
- 优化检索
- IAG: Induction-Augmented Generation Framework for Answering Reasoning Questions
- HyDE：Precise Zero-Shot Dense Retrieval without Relevance Labels
- PROMPTAGATOR : FEW-SHOT DENSE RETRIEVAL FROM 8 EXAMPLES
- Query Rewriting for Retrieval-Augmented Large Language Models
- Query2doc: Query Expansion with Large Language Models
- Query Expansion by Prompting Large Language Models
- Anthropic Contextual Retrieval
- Multi-Level Querying using A Knowledge Pyramid
- A Survey of Query Optimization in Large Language Models
- Peringkat
- A Setwise Approach for Effective and Highly Efficient Zero-shot Ranking with Large Language Models
- RankVicuna: Zero-Shot Listwise Document Reranking with Open-Source Large Language Models
- Improving Passage Retrieval with Zero-Shot Question Generation
- Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
- RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs
- Ranking Manipulation for Conversational Search Engines
- Is ChatGPT Good at Search? Investigating Large Language Models as Re-Ranking Agents
- Opensource Large Language Models are Strong Zero-shot Query Likelihood Models for Document Ranking
- T2Ranking: A large-scale Chinese Benchmark for Passage Ranking
- Learning to Filter Context for Retrieval-Augmented Generation
- 传统搜索方案
- ASK THE RIGHT QUESTIONS:ACTIVE QUESTION REFORMULATION WITH REINFORCEMENT LEARNING
- Query Expansion Techniques for Information Retrieval a Survey
- Learning to Rewrite Queries
- Managing Diversity in Airbnb Search
- 新向量模型用于Recall和Ranking
- Augmented Embeddings for Custom Retrievals
- BGE M3-Embedding: Multi-Lingual, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation
- 网易为RAG设计的BCE Embedding技术报告
- BGE Landmark Embedding: A Chunking-Free Embedding Method For Retrieval Augmented Long-Context Large Language Models
- D2LLM: Decomposed and Distilled Large Language Models for Semantic Search
- Piccolo2: General Text Embedding with Multi-task Hybrid Loss Training
- 优化推理结果
- Speculative RAG: Enhancing Retrieval Augmented Generation through Drafting
- 动态RAG（When to Search & Search Plan）
- SELF-RAG: LEARNING TO RETRIEVE, GENERATE, AND CRITIQUE THROUGH SELF-REFLECTION
- Self-Knowledge Guided Retrieval Augmentation for Large Language Models
- Self-DC: When to retrieve and When to generate Self Divide-and-Conquer for Compositional Unknown Questions
- Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs
- Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity
- REAPER: Reasoning based Retrieval Planning for Complex RAG Systems
- When to Retrieve: Teaching LLMs to Utilize Information Retrieval Effectively
- PlanRAG: A Plan-then-Retrieval Augmented Generation for Generative Large Language Models as Decision Makers
- ONEGEN: EFFICIENT ONE-PASS UNIFIED GENERATION AND RETRIEVAL FOR LLMS
- Probing-RAG: Self-Probing to Guide Language Models in Selective Document Retrieval
- Graph RAG
- GRAPH Retrieval-Augmented Generation: A Survey
- From Local to Global: A Graph RAG Approach to Query-Focused Summarization
- GRAG: Graph Retrieval-Augmented Generation
- GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning
- THINK-ON-GRAPH: DEEP AND RESPONSIBLE REASONING OF LARGE LANGUAGE MODEL ON KNOWLEDGE GRAPH
- LightRAG: Simple and Fast Retrieval-Augmented Generation
- THINK-ON-GRAPH: DEEP AND RESPONSIBLE REASON- ING OF LARGE LANGUAGE MODEL ON KNOWLEDGE GRAPH
- StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization
- Multistep RAG
- SYNERGISTIC INTERPLAY BETWEEN SEARCH AND LARGE LANGUAGE MODELS FOR INFORMATION RETRIEVAL
- Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions
- Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy
- RAT: Retrieval Augmented Thoughts Elicit Context-Aware Reasoning in Long-Horizon Generation
- IM-RAG: Multi-Round Retrieval-Augmented Generation Through Learning Inner Monologues
- Demonstrate-Search-Predict: Composing retrieval and language models for knowledge-intensive NLP
- Search-in-the-Chain: Towards Accurate, Credible and Traceable Large Language Models for Knowledge-intensive Tasks
- MindSearch 思·索: Mimicking Human Minds Elicits Deep AI Searcher
- RQ-RAG: LEARNING TO REFINE QUERIES FOR RETRIEVAL AUGMENTED GENERATION
- AutoPRM: Automating Procedural Supervision for Multi-Step Reasoning via Controllable Question Decomposition
- Timeline RAG
- Unfolding the Headline: Iterative Self-Questioning for News Retrieval and Timeline Summarization
Other Prompt Engineer(prompt_engineer)
- Calibrate Before Use: Improving Few-Shot Performance of Language Models
- In-Context Instruction Learning
- LEARNING PERFORMANCE-IMPROVING CODE EDITS
- Boosting Theory-of-Mind Performance in Large Language Models via Prompting
- Generated Knowledge Prompting for Commonsense Reasoning
- RECITATION-AUGMENTED LANGUAGE MODELS
- kNN PROMPTING: BEYOND-CONTEXT LEARNING WITH CALIBRATION-FREE NEAREST NEIGHBOR INFERENCE
- EmotionPrompt: Leveraging Psychology for Large Language Models Enhancement via Emotional Stimulus
- Causality-aware Concept Extraction based on Knowledge-guided Prompting
- LARGE LANGUAGE MODELS AS OPTIMIZERS
- Prompts As Programs: A Structure-Aware Approach to Efficient Compile-Time Prompt Optimization
- Set-of-Mark Prompting Unleashes Extraordinary Visual Grounding in GPT-4V
- RePrompt: Automatic Prompt Editing to Refine AI-Generative Art Towards Precise Expressions
- MedPrompt: Can Generalist Foundation Models Outcompete Special-Purpose Tuning? Case Study in Medicine
- DSPy Assertions: Computational Constraints for Self-Refining Language Model Pipelines
- Prompts as Auto-Optimized Training Hyperparameters: Training Best-in-Class IR Models from Scratch with 10 Gold Labels
- In-Context Learning for Extreme Multi-Label Classification
- Optimizing Instructions and Demonstrations for Multi-Stage Language Model Programs
- DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines
- CONNECTING LARGE LANGUAGE MODELS WITH EVOLUTIONARY ALGORITHMS YIELDS POWERFUL PROMP OPTIMIZERS
- TextGrad: Automatic "Differentiation" via Text
- Task Facet Learning: A Structured Approach to Prompt Optimization
- LangGPT: Rethinking Structured Reusable Prompt Design Framework for LLMs from the Programming Language
- PAS: Data-Efficient Plug-and-Play Prompt Augmentation System
- Let Me Speak Freely? A Study on the Impact of Format Restrictions on Performance of Large Language Models
- From Pen to Prompt: How Creative Writers Integrate AI into their Writing Practice
- Does Prompt Formatting Have Any Impact on LLM Performance?
- AUTO-DEMO PROMPTING: LEVERAGING GENERATED OUTPUTS AS DEMONSTRATIONS FOR ENHANCED BATCH PROMPTING
- PROMPTBREEDER: SELF-REFERENTIAL SELF-IMPROVEMENT VIA PROMPT EVOLUTION
大模型图表理解和生成
- Survei
- Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study
- Large Language Models(LLMs) on Tabular Data: Prediction, Generation, and Understanding - A Survey
- Exploring the Numerical Reasoning Capabilities of Language Models: A Comprehensive Analysis on Tabular Data
- mengingatkan
- Large Language Models are Versatile Decomposers: Decompose Evidence and Questions for Table-based Reasoning
- Tab-CoT: Zero-shot Tabular Chain of Thought
- Chain-of-Table: Evolving Tables in the Reasoning Chain for Table Understanding
- fintuning
- TableLlama: Towards Open Large Generalist Models for Tables
- TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios
- multimodal
- MMC: Advancing Multimodal Chart Understanding with Large-scale Instruction Tuning
- ChartLlama: A Multimodal LLM for Chart Understanding and Generation
- ChartAssisstant: A Universal Chart Multimodal Language Model via Chart-to-Table Pre-training and Multitask Instruction Tuning
- ChartInstruct: Instruction Tuning for Chart Comprehension and Reasoning
- ChartX & ChartVLM: A Versatile Benchmark and Foundation Model for Complicated Chart Reasoning
- MATCHA : Enhancing Visual Language Pretraining with Math Reasoning and Chart Derendering
- UniChart: A Universal Vision-language Pretrained Model for Chart Comprehension and Reasoning
- TinyChart: Efficient Chart Understanding with Visual Token Merging and Program-of-Thoughts Learning
- Tables as Texts or Images: Evaluating the Table Reasoning Ability of LLMs and MLLMs
- TableVQA-Bench: A Visual Question Answering Benchmark on Multiple Table Domains
- TabPedia: Towards Comprehensive Visual Table Understanding with Concept Synergy
LLM+KG
- Ringkasan
- Unifying Large Language Models and Knowledge Graphs: A Roadmap
- Large Language Models and Knowledge Graphs: Opportunities and Challenges
- 知识图谱与大模型融合实践研究报告2023
- KG用于大模型推理
- Using Large Language Models for Zero-Shot Natural Language Generation from Knowledge Graphs
- MindMap: Knowledge Graph Prompting Sparks Graph of Thoughts in Large Language Models
- Knowledge-Augmented Language Model Prompting for Zero-Shot Knowledge Graph Question Answering
- Domain Specific Question Answering Over Knowledge Graphs Using Logical Programming and Large Language Models
- BRING YOUR OWN KG: Self-Supervised Program Synthesis for Zero-Shot KGQA
- StructGPT: A General Framework for Large Language Model to Reason over Structured Data
- 大模型用于KG构建
- Enhancing Knowledge Graph Construction Using Large Language Models
- LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT
- ITERATIVE ZERO-SHOT LLM PROMPTING FOR KNOWLEDGE GRAPH CONSTRUCTION
- Exploring Large Language Models for Knowledge Graph Completion
Humanoid Agents
- HABITAT 3.0: A CO-HABITAT FOR HUMANS, AVATARS AND ROBOTS
- Humanoid Agents: Platform for Simulating Human-like Generative Agents
- Voyager: An Open-Ended Embodied Agent with Large Language Models
- Shaping the future of advanced robotics
- AUTORT: EMBODIED FOUNDATION MODELS FOR LARGE SCALE ORCHESTRATION OF ROBOTIC AGENTS
- ROBOTIC TASK GENERALIZATION VIA HINDSIGHT TRAJECTORY SKETCHES
- ALFWORLD: ALIGNING TEXT AND EMBODIED ENVIRONMENTS FOR INTERACTIVE LEARNING
- MINEDOJO: Building Open-Ended Embodied Agents with Internet-Scale Knowledge
- LEGENT: Open Platform for Embodied Agents
pretrain_data & pretrain
- DoReMi: Optimizing Data Mixtures Speeds Up Language Model Pretraining
- The Pile: An 800GB Dataset of Diverse Text for Language Modeling
- CCNet: Extracting High Quality Monolingual Datasets fromWeb Crawl Data
- WanJuan: A Comprehensive Multimodal Dataset for Advancing English and Chinese Large Models
- CLUECorpus2020: A Large-scale Chinese Corpus for Pre-training Language Model
- In-Context Pretraining: Language Modeling Beyond Document Boundaries
- Data Mixing Laws: Optimizing Data Mixtures by Predicting Language Modeling Performance
- Zyda: A 1.3T Dataset for Open Language Modeling
- Entropy Law: The Story Behind Data Compression and LLM Performance
- Data, Data Everywhere: A Guide for Pretraining Dataset Construction
- Data curation via joint example selection further accelerates multimodal learning
- IMPROVING PRETRAINING DATA USING PERPLEXITY CORRELATIONS
- AI models collapse when trained on recursively generated data
领域模型SFT(domain_llms)
- keuangan
- BloombergGPT： A Large Language Model for Finance
- FinVis-GPT: A Multimodal Large Language Model for Financial Chart Analysis
- CFGPT: Chinese Financial Assistant with Large Language Model
- CFBenchmark: Chinese Financial Assistant Benchmark for Large Language Model
- InvestLM: A Large Language Model for Investment using Financial Domain Instruction Tuning
- BBT-Fin: Comprehensive Construction of Chinese Financial Domain Pre-trained Language Model, Corpus and Benchmark
- PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance
- The FinBen: An Holistic Financial Benchmark for Large Language Models
- XuanYuan 2.0: A Large Chinese Financial Chat Model with Hundreds of Billions Parameters
- Towards Trustworthy Large Language Models in Industry Domains
- When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments
- A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges
- 生物医疗
- MedGPT: Medical Concept Prediction from Clinical Narratives
- BioGPT：Generative Pre-trained Transformer for Biomedical Text Generation and Mining
- PubMed GPT: A Domain-specific large language model for biomedical text
- ChatDoctor：Medical Chat Model Fine-tuned on LLaMA Model using Medical Domain Knowledge
- Med-PaLM：Large Language Models Encode Clinical Knowledge[V1,V2]
- SMILE: Single-turn to Multi-turn Inclusive Language Expansion via ChatGPT for Mental Health Support
- Zhongjing: Enhancing the Chinese Medical Capabilities of Large Language Model through Expert Feedback and Real-world Multi-turn Dialogue
- lainnya
- Galactia：A Large Language Model for Science
- Augmented Large Language Models with Parametric Knowledge Guiding
- ChatLaw Open-Source Legal Large Language Model
- MediaGPT : A Large Language Model For Chinese Media
- KITLM: Domain-Specific Knowledge InTegration into Language Models for Question Answering
- EcomGPT: Instruction-tuning Large Language Models with Chain-of-Task Tasks for E-commerce
- TableGPT: Towards Unifying Tables, Nature Language and Commands into One GPT
- LLEMMA: AN OPEN LANGUAGE MODEL FOR MATHEMATICS
- MEDITAB: SCALING MEDICAL TABULAR DATA PREDICTORS VIA DATA CONSOLIDATION, ENRICHMENT, AND REFINEMENT
- PLLaMa: An Open-source Large Language Model for Plant Science
- ADAPTING LARGE LANGUAGE MODELS VIA READING COMPREHENSION
LLM超长文本处理(long_input)
- 位置编码、注意力机制优化
- Unlimiformer: Long-Range Transformers with Unlimited Length Input
- Parallel Context Windows for Large Language Models
- 苏剑林, NBCE：使用朴素贝叶斯扩展LLM的Context处理长度
- Structured Prompting: Scaling In-Context Learning to 1,000 Examples
- Vcc: Scaling Transformers to 128K Tokens or More by Prioritizing Important Tokens
- Scaling Transformer to 1M tokens and beyond with RMT
- TRAIN SHORT, TEST LONG: ATTENTION WITH LINEAR BIASES ENABLES INPUT LENGTH EXTRAPOLATION
- Extending Context Window of Large Language Models via Positional Interpolation
- LongNet: Scaling Transformers to 1,000,000,000 Tokens
- https://kaiokendev.github.io/til#extending-context-to-8k
- 苏剑林,Transformer升级之路：10、RoPE是一种β进制编码
- 苏剑林,Transformer升级之路：11、将β进制位置进行到底
- 苏剑林,Transformer升级之路：12、无限外推的ReRoPE？
- 苏剑林,Transformer升级之路：15、Key归一化助力长度外推
- EFFICIENT STREAMING LANGUAGE MODELS WITH ATTENTION SINKS
- Ring Attention with Blockwise Transformers for Near-Infinite Context
- YaRN: Efficient Context Window Extension of Large Language Models
- LM-INFINITE: SIMPLE ON-THE-FLY LENGTH GENERALIZATION FOR LARGE LANGUAGE MODELS
- EFFICIENT STREAMING LANGUAGE MODELS WITH ATTENTION SINKS
- 上文压缩排序方案
- Lost in the Middle: How Language Models Use Long Contexts
- LLMLingua: Compressing Prompts for Accelerated Inference of Large Language Models
- LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression
- Learning to Compress Prompts with Gist Tokens
- Unlocking Context Constraints of LLMs: Enhancing Context Efficiency of LLMs with Self-Information-Based Content Filtering
- LongAgent: Scaling Language Models to 128k Context through Multi-Agent Collaboration
- PCToolkit: A Unified Plug-and-Play Prompt Compression Toolkit of Large Language Models
- Are Long-LLMs A Necessity For Long-Context Tasks?
- 训练和模型架构方案
- Never Train from Scratch: FAIR COMPARISON OF LONGSEQUENCE MODELS REQUIRES DATA-DRIVEN PRIORS
- Soaring from 4K to 400K: Extending LLM's Context with Activation Beacon
- Never Lost in the Middle: Improving Large Language Models via Attention Strengthening Question Answering
- Focused Transformer: Contrastive Training for Context Scaling
- Effective Long-Context Scaling of Foundation Models
- ON THE LONG RANGE ABILITIES OF TRANSFORMERS
- Efficient Long-Range Transformers: You Need to Attend More, but Not Necessarily at Every Layer
- POSE: EFFICIENT CONTEXT WINDOW EXTENSION OF LLMS VIA POSITIONAL SKIP-WISE TRAINING
- LONGLORA: EFFICIENT FINE-TUNING OF LONGCONTEXT LARGE LANGUAGE MODELS
- LongAlign: A Recipe for Long Context Alignment of Large Language Models
- Data Engineering for Scaling Language Models to 128K Context
- MEGALODON: Efficient LLM Pretraining and Inference with Unlimited Context Length
- Make Your LLM Fully Utilize the Context
- Untie the Knots: An Efficient Data Augmentation Strategy for Long-Context Pre-Training in Language Models
- 效率优化
- Efficient Attention: Attention with Linear Complexities
- Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention
- HyperAttention: Long-context Attention in Near-Linear Time
- FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness
- With Greater Text Comes Greater Necessity: Inference-Time Training Helps Long Text Generation
LLM长文本生成（long_output）
- Re3 : Generating Longer Stories With Recursive Reprompting and Revision
- RECURRENTGPT: Interactive Generation of (Arbitrarily) Long Text
- DOC: Improving Long Story Coherence With Detailed Outline Control
- Weaver: Foundation Models for Creative Writing
- Assisting in Writing Wikipedia-like Articles From Scratch with Large Language Models
- Into the Unknown Unknowns: Engaged Human Learning through Participation in Language Model Agent Conversations
NL2SQL
- 大模型方案
- DIN-SQL: Decomposed In-Context Learning of Text-to-SQL with Self-Correction
- C3: Zero-shot Text-to-SQL with ChatGPT
- SQL-PALM: IMPROVED LARGE LANGUAGE MODEL ADAPTATION FOR TEXT-TO-SQL
- BIRD Can LLM Already Serve as A Database Interface? A BIg Bench for Large-Scale Database Grounded Text-to-SQL
- A Case-Based Reasoning Framework for Adaptive Prompting in Cross-Domain Text-to-SQL
- ChatDB: AUGMENTING LLMS WITH DATABASES AS THEIR SYMBOLIC MEMORY
- A comprehensive evaluation of ChatGPT's zero-shot Text-to-SQL capability
- Few-shot Text-to-SQL Translation using Structure and Content Prompt Learning
- Tool-Assisted Agent on SQL Inspection and Refinement in Real-World Scenarios
- Domain Knowledge Intensive
- Towards Knowledge-Intensive Text-to-SQL Semantic Parsing with Formulaic Knowledge
- Bridging the Generalization Gap in Text-to-SQL Parsing with Schema Expansion
- Towards Robustness of Text-to-SQL Models against Synonym Substitution
- FinQA: A Dataset of Numerical Reasoning over Financial Data
- Yang lain
- RESDSQL: Decoupling Schema Linking and Skeleton Parsing for Text-to-SQL
- MIGA: A Unified Multi-task Generation Framework for Conversational Text-to-SQL
主流LLMS和预训练
- GLM-130B: AN OPEN BILINGUAL PRE-TRAINED MODEL
- PaLM: Scaling Language Modeling with Pathways
- PaLM 2 Technical Report
- GPT-4 Technical Report
- Backpack Language Models
- LLaMA: Open and Efficient Foundation Language Models
- Llama 2: Open Foundation and Fine-Tuned Chat Models
- Sheared LLaMA: Accelerating Language Model Pre-training via Structured Pruning
- OpenBA: An Open-sourced 15B Bilingual Asymmetric seq2seq Model Pre-trained from Scratch
- Mistral 7B
- Ziya2: Data-centric Learning is All LLMs Need
- MEGABLOCKS: EFFICIENT SPARSE TRAINING WITH MIXTURE-OF-EXPERTS
- TUTEL: ADAPTIVE MIXTURE-OF-EXPERTS AT SCALE
- Phi1- Textbooks Are All You Need
- Phi1.5- Textbooks Are All You Need II: phi-1.5 technical report
- Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone
- Gemini: A Family of Highly Capable Multimodal Models
- In-Context Pretraining: Language Modeling Beyond Document Boundaries
- LLAMA PRO: Progressive LLaMA with Block Expansion
- QWEN TECHNICAL REPORT
- Fewer Truncations Improve Language Modeling
- ChatGLM: A Family of Large Language Models from GLM-130B to GLM-4 All Tools
- Phi-4 Technical Report
- Byte Latent Transformer: Patches Scale Better Than Tokens
- Qwen2.5 Technical Report
- DeepSeek-V3 Technical Report
- Mixtral of Experts
Code Generation
- Code Generation with AlphaCodium: From Prompt Engineering to Flow Engineering
- Codeforces as an Educational Platform for Learning Programming in Digitalization
- Competition-Level Code Generation with AlphaCode
- CODECHAIN: TOWARDS MODULAR CODE GENERATION THROUGH CHAIN OF SELF-REVISIONS WITH REPRESENTATIVE SUB-MODULES
- AI Coders Are Among Us: Rethinking Programming Language Grammar Towards Efficient Code Generation
降低模型幻觉(reliability)
- Survei
- Large language models and the perils of their hallucinations
- Survey of Hallucination in Natural Language Generation
- Siren's Song in the AI Ocean: A Survey on Hallucination in Large Language Models
- A Survey of Hallucination in Large Foundation Models
- A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions
- Calibrated Language Models Must Hallucinate
- Why Does ChatGPT Fall Short in Providing Truthful Answers?
- Prompt or Tunning
- R-Tuning: Teaching Large Language Models to Refuse Unknown Questions
- PROMPTING GPT-3 TO BE RELIABLE
- ASK ME ANYTHING: A SIMPLE STRATEGY FOR PROMPTING LANGUAGE MODELS
- On the Advance of Making Language Models Better Reasoners
- RefGPT: Reference → Truthful & Customized Dialogues Generation by GPTs and for GPTs
- Rethinking with Retrieval: Faithful Large Language Model Inference
- GENERATE RATHER THAN RETRIEVE: LARGE LANGUAGE MODELS ARE STRONG CONTEXT GENERATORS
- Large Language Models Struggle to Learn Long-Tail Knowledge
- Decoding Strategy
- Trusting Your Evidence: Hallucinate Less with Context-aware Decoding
- SELF-REFINE:ITERATIVE REFINEMENT WITH SELF-FEEDBACK
- Enhancing Self-Consistency and Performance of Pre-Trained Language Models through Natural Language Inference
- Inference-Time Intervention: Eliciting Truthful Answers from a Language Model
- Enabling Large Language Models to Generate Text with Citations
- Factuality Enhanced Language Models for Open-Ended Text Generation
- KL-Divergence Guided Temperature Sampling
- KCTS: Knowledge-Constrained Tree Search Decoding with Token-Level Hallucination Detection
- CONTRASTIVE DECODING IMPROVES REASONING IN LARGE LANGUAGE MODEL
- Contrastive Decoding: Open-ended Text Generation as Optimization
- Probing and Detection
- Automatic Evaluation of Attribution by Large Language Models
- QAFactEval: Improved QA-Based Factual Consistency Evaluation for Summarization
- Zero-Resource Hallucination Prevention for Large Language Models
- LLM Lies: Hallucinations are not Bugs, but Features as Adversarial Examples
- Language Models (Mostly) Know What They Know
- LM vs LM: Detecting Factual Errors via Cross Examination
- Do Language Models Know When They're Hallucinating References?
- SELFCHECKGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models
- SELF-CONTRADICTORY HALLUCINATIONS OF LLMS: EVALUATION, DETECTION AND MITIGATION
- Self-consistency for open-ended generations
- Improving Factuality and Reasoning in Language Models through Multiagent Debate
- Selective-LAMA: Selective Prediction for Confidence-Aware Evaluation of Language Models
- Can LLMs Express Their Uncertainty? An Empirical Evaluation of Confidence Elicitation in LLMs
- Reviewing and Calibration
- Truth-o-meter: Collaborating with llm in fighting its hallucinations
- RARR: Researching and Revising What Language Models Say, Using Language Models
- CRITIC: LARGE LANGUAGE MODELS CAN SELFCORRECT WITH TOOL-INTERACTIVE CRITIQUING
- VALIDATING LARGE LANGUAGE MODELS WITH RELM
- PURR: Efficiently Editing Language Model Hallucinations by Denoising Language Model Corruptions
- Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback
- Adaptive Chameleon or Stubborn Sloth: Unraveling the Behavior of Large Language Models in Knowledge Clashes
- Woodpecker: Hallucination Correction for Multimodal Large Language Models
- Zero-shot Faithful Factual Error Correction
- LARGE LANGUAGE MODELS CANNOT SELF-CORRECT REASONING YET
- Training Language Models to Self-Correct via Reinforcement Learning
大模型评估（evaluation）
- 事实性评估
- TRUSTWORTHY LLMS: A SURVEY AND GUIDELINE FOR EVALUATING LARGE LANGUAGE MODELS' ALIGNMENT
- TrueTeacher: Learning Factual Consistency Evaluation with Large Language Models
- TRUE: Re-evaluating Factual Consistency Evaluation
- FACTSCORE: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation
- KoLA: Carefully Benchmarking World Knowledge of Large Language Models
- When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories
- FACTOOL: Factuality Detection in Generative AI A Tool Augmented Framework for Multi-Task and Multi-Domain Scenarios
- LONG-FORM FACTUALITY IN LARGE LANGUAGE MODELS
- 检测任务
- Detecting Pretraining Data from Large Language Models
- Scalable Extraction of Training Data from (Production) Language Models
- Rethinking Benchmark and Contamination for Language Models with Rephrased Samples
推理优化(inference)
- Fast Transformer Decoding: One Write-Head is All You Need
- Fast Inference from Transformers via Speculative Decoding
- GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints
- Skeleton-of-Thought: Large Language Models Can Do Parallel Decoding
- SkipDecode: Autoregressive Skip Decoding with Batching and Caching for Efficient LLM Inference
- BatchPrompt: Accomplish more with less
- You Only Cache Once: Decoder-Decoder Architectures for Language Models
- XGrammar: Flexible and Efficient Structured Generation Engine for Large Language Models
- Precise Length Control in Large Language Models
- Top-nσ: Not All Logits Are You Need
- Prompt Cache: Modular Attention Reuse for Low-Latency Inference
模型知识编辑黑科技(model_edit)
- ROME：Locating and Editing Factual Associations in GPT
- Transformer Feed-Forward Layers Are Key-Value Memories
- MEMIT: Mass-Editing Memory in a Transformer
- MEND：Fast Model Editing at Scale
- Editing Large Language Models: Problems, Methods, and Opportunities
- Language Models are Super Mario: Absorbing Abilities from Homologous Models as a Free Lunch
- Automata-based constraints for language model decoding
- SGLang: Efficient Execution of Structured Language Model Programs
模型合并和剪枝(model_merge)
- Blending Is All You Need: Cheaper, Better Alternative to Trillion-Parameters LLM
- DARE Language Models are Super Mario: Absorbing Abilities from Homologous Models as a Free Lunch
- EDITING MODELS WITH TASK ARITHMETIC
- TIES-Merging: Resolving Interference When Merging Models
- LM-Cocktail: Resilient Tuning of Language Models via Model Merging
- SLICEGPT: COMPRESS LARGE LANGUAGE MODELS BY DELETING ROWS AND COLUMNS
- Checkpoint Merging via Bayesian Optimization in LLM Pretrainin
- Arcee's MergeKit: A Toolkit for Merging Large Language Models
MOE
- Tricks for Training Sparse Translation Models
- ST-MoE: Designing Stable and Transferable Sparse Expert Models
- Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity
- GLaM: Efficient Scaling of Language Models with Mixture-of-Experts
- GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding
- OUTRAGEOUSLY LARGE NEURAL NETWORKS: THE SPARSELY-GATED MIXTURE-OF-EXPERTS LAYER
- DeepSpeed-MoE: Advancing Mixture-of-Experts Inference and Training to Power Next-Generation AI Scale
- Dense-to-Sparse Gate for Mixture-of-Experts
- Efficient Large Scale Language Modeling with Mixtures of Experts
Multimodal
- InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning
- Visual ChatGPT: Talking, Drawing and Editing with Visual Foundation Models
- LLava Visual Instruction Tuning
- MiniGPT-4: Enhancing Vision-Language Understanding with Advanced Large Language Models
- BLIVA: A Simple Multimodal LLM for Better Handling of Text-Rich Visual Questions
- mPLUG-Owl : Modularization Empowers Large Language Models with Multimodality
- LVLM eHub: A Comprehensive Evaluation Benchmark for Large VisionLanguage Models
- Mirasol3B: A Multimodal Autoregressive model for time-aligned and contextual modalities
- PaLM-E: An Embodied Multimodal Language Model
- TabLLM: Few-shot Classification of Tabular Data with Large Language Models
- AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling
- Sora tech report
- Towards General Computer Control: A Multimodal Agent for Red Dead Redemption II as a Case Study
- OCR
- Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models
- Large OCR Model:An Empirical Study of Scaling Law for OCR
- ON THE HIDDEN MYSTERY OF OCR IN LARGE MULTIMODAL MODELS
- PreFLMR: Scaling Up Fine-Grained Late-Interaction Multi-modal Retrievers
- Many-Shot In-Context Learning in Multimodal Foundation Models
- Adding Conditional Control to Text-to-Image Diffusion Models
- Ferret-UI: Grounded Mobile UI Understanding with Multimodal LLMs
- ShowUI: One Vision-Language-Action Model for GUI Visual Agent
Ringkasan
- A Survey of Large Language Models
- Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing
- Paradigm Shift in Natural Language Processing
- Pre-Trained Models: Past, Present and Future
- What Language Model Architecture and Pretraining objects work best for zero shot generalization
- Towards Reasoning in Large Language Models: A Survey
- Reasoning with Language Model Prompting: A Survey
- An Overview on Language Models: Recent Developments and Outlook
- A Survey of Large Language Models[6.29更新版]
- Unifying Large Language Models and Knowledge Graphs: A Roadmap
- Augmented Language Models: a Survey
- Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey
- Challenges and Applications of Large Language Models
- The Rise and Potential of Large Language Model Based Agents: A Survey
- Large Language Models for Information Retrieval: A Survey
- AI Alignment: A Comprehensive Survey
- Trends in Integration of Knowledge and Large Language Models: A Survey and Taxonomy of Methods, Benchmarks, and Applications
- Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook
- A Survey on Language Models for Code
- Model-as-a-Service (MaaS): A Survey
大模型能力探究
- In Context Learning
- LARGER LANGUAGE MODELS DO IN-CONTEXT LEARNING DIFFERENTLY
- How does in-context learning work? A framework for understanding the differences from traditional supervised learning
- Why can GPT learn in-context? Language Model Secretly Perform Gradient Descent as Meta-Optimizers
- Rethinking the Role of Demonstrations What Makes incontext learning work?
- Trained Transformers Learn Linear Models In-Context
- In-Context Learning Creates Task Vectors
- FUNCTION VECTORS IN LARGE LANGUAGE MODELS
- Kemampuan untuk muncul
- Sparks of Artificial General Intelligence: Early experiments with GPT-4
- Emerging Ability of Large Language Models
- LANGUAGE MODELS REPRESENT SPACE AND TIME
- Are Emergent Abilities of Large Language Models a Mirage?
- 能力评估
- IS CHATGPT A GENERAL-PURPOSE NATURAL LANGUAGE PROCESSING TASK SOLVER?
- Can Large Language Models Infer Causation from Correlation?
- Holistic Evaluation of Language Model
- Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond
- Theory of Mind May Have Spontaneously Emerged in Large Language Models
- Beyond The Imitation Game: Quantifying And Extrapolating The Capabilities Of Language Models
- Do Models Explain Themselves? Counterfactual Simulatability of Natural Language Explanations
- Demystifying GPT Self-Repair for Code Generation
- Evidence of Meaning in Language Models Trained on Programs
- Can Explanations Be Useful for Calibrating Black Box Models
- On the Robustness of ChatGPT: An Adversarial and Out-of-distribution Perspective
- Language acquisition: do children and language models follow similar learning stages?
- Language is primarily a tool for communication rather than thought
- 领域能力
- Capabilities of GPT-4 on Medical Challenge Problems
- Can Generalist Foundation Models Outcompete Special-Purpose Tuning? Case Study in Medicine
- Understanding LLM Embeddings for Regression
Prompt Tunning范式
- Tunning Free Prompt
- GPT2: Language Models are Unsupervised Multitask Learners
- GPT3: Language Models are Few-Shot Learners
- LAMA: Language Models as Knowledge Bases?
- AutoPrompt: Eliciting Knowledge from Language Models
- Fix-Prompt LM Tunning
- T5: Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer
- PET-TC(a): Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference
- PET-TC(b): PETSGLUE It's Not Just Size That Matters Small Language Models are also few-shot learners
- GenPET: Few-Shot Text Generation with Natural Language Instructions
- LM-BFF: Making Pre-trained Language Models Better Few-shot Learners
- ADEPT: Improving and Simplifying Pattern Exploiting Training
- Fix-LM Prompt Tunning
- Prefix-tuning: Optimizing continuous prompts for generation
- Prompt-tunning: The power of scale for parameter-efficient prompt tuning
- P-tunning: GPT Understands Too
- WARP: Word-level Adversarial ReProgramming
- LM + Prompt Tunning
- P-tunning v2: Prompt Tuning Can Be Comparable to Fine-tunning Universally Across Scales and Tasks
- PTR: Prompt Tuning with Rules for Text Classification
- PADA: Example-based Prompt Learning for on-the-fly Adaptation to Unseen Domains
- Fix-LM Adapter Tunning
- LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS
- LST: Ladder Side-Tuning for Parameter and Memory Efficient Transfer Learning
- Parameter-Efficient Transfer Learning for NLP
- INTRINSIC DIMENSIONALITY EXPLAINS THE EFFECTIVENESS OF LANGUAGE MODEL FINE-TUNING
- DoRA: Weight-Decomposed Low-Rank Adaptation
- Representation Tuning
- ReFT: Representation Finetuning for Language Models
Timeseries LLM
- TimeGPT-1
- Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook
- TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS
- Large Language Models Are Zero-Shot Time Series Forecasters
- TEMPO: PROMPT-BASED GENERATIVE PRE-TRAINED TRANSFORMER FOR TIME SERIES FORECASTING
- Generative Pre-Training of Time-Series Data for Unsupervised Fault Detection in Semiconductor Manufacturing
- Lag-Llama: Towards Foundation Models for Time Series Forecasting
- PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting
Quanization
- AWQ: Activation-aware Weight Quantization for LLM Compression and Acceleration
- LLM-QAT: Data-Free Quantization Aware Training for Large Language Models
- LLM.int8() 8-bit Matrix Multiplication for Transformers at Scale
- SmoothQuant Accurate and Efficient Post-Training Quantization for Large Language Models
Adversarial Attacking
- Curiosity-driven Red-teaming for Large Language Models
- Red Teaming Language Models with Language Models
- EXPLORE, ESTABLISH, EXPLOIT: RED-TEAMING LANGUAGE MODELS FROM SCRATCH
对话模型
- LaMDA: Language Models for Dialog Applications
- Sparrow: Improving alignment of dialogue agents via targeted human judgements
- BlenderBot 3: a deployed conversational agent that continually learns to responsibly engage
- How NOT To Evaluate Your Dialogue System: An Empirical Study of Unsupervised Evaluation Metrics for Dialogue Response Generation
- DialogStudio: Towards Richest and Most Diverse Unified Dataset Collection for Conversational AI
- Enhancing Chat Language Models by Scaling High-quality Instructional Conversations
- DiagGPT: An LLM-based Chatbot with Automatic Topic Management for Task-Oriented Dialogue
Yang lain
- Pretraining on the Test Set Is All You Need 哈哈作者你是懂讽刺文学的
- Learnware: Small Models Do Big
- The economic potential of generative AI
- A PhD Student's Perspective on Research in NLP in the Era of Very Large Language Models
