หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>โค้ดแหล่งที่มา AI
ดาวน์โหลด

GenAI_เอกสาร

โครงการนี้ประกอบด้วยรายการงานวิจัยที่น่าสนใจในสาขา GenAI

หัวข้อ

  1. ภาพรวม
  2. เป้าหมาย
  3. ขอบเขตและบริบท
  4. เอกสารวิจัย
  5. บันทึกการเรียนรู้

ภาพรวม

พื้นที่เก็บข้อมูลนี้มีไว้สำหรับการรวบรวมและการอภิปรายเกี่ยวกับการวิจัยที่ก้าวล้ำในสาขา Generative AI

Generative AI หรือ GenAI หมายถึงชุดย่อยของปัญญาประดิษฐ์ที่เน้นไปที่การสร้างเนื้อหาใหม่ ตั้งแต่ข้อความและรูปภาพไปจนถึงโค้ดและอื่นๆ อีกมากมาย คอลเลกชันเอกสารที่รวมอยู่ในที่นี้ครอบคลุมหัวข้อต่างๆ ภายใน GenAI เช่น Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) และโมเดลที่ใช้ Transformer

บทสรุปนี้ทำหน้าที่เป็นแหล่งข้อมูลสำหรับนักวิชาการ ผู้ปฏิบัติงาน และผู้ที่ชื่นชอบที่ต้องการพัฒนาความล้ำหน้าในการสร้างเนื้อหาที่ขับเคลื่อนด้วย AI

เป้าหมาย

เป้าหมายหลักของพื้นที่เก็บข้อมูลนี้คือ:

  1. การรวมองค์ความรู้ : เพื่อรวมศูนย์งานวิจัยระดับน้ำเชื้อและล้ำสมัยที่กำหนดและพัฒนาสาขา GenAI
  2. การทำงานร่วมกันในชุมชน : เพื่อส่งเสริมสภาพแวดล้อมการทำงานร่วมกันซึ่งสามารถแบ่งปัน อภิปราย และวิจารณ์แนวคิดและข้อค้นพบโดยชุมชนการวิจัย Gen AI
  3. การส่งเสริมนวัตกรรม : เพื่อสร้างแรงบันดาลใจและเป็นแนวทางในการริเริ่มการวิจัยใหม่และการประยุกต์ใช้เทคโนโลยี GenAI ในทางปฏิบัติ
  4. การบูรณาการแบบสหวิทยาการ : เพื่อส่งเสริมการผสมข้ามความคิดจากหลากหลายสาขา เช่น วิทยาการคอมพิวเตอร์ จิตวิทยาความรู้ความเข้าใจ และศิลปะดิจิทัล เพื่อเสริมสร้างการวิจัย GenAI

ขอบเขตและบริบท

ขอบเขต

ขอบเขตของพื้นที่เก็บข้อมูลนี้ครอบคลุมการวิจัยที่หลากหลายภายใน GenAI ซึ่งรวมถึงแต่ไม่จำกัดเพียง:

  • รากฐานทางทฤษฎีของแบบจำลองเชิงกำเนิด
  • ความก้าวหน้าทางเทคนิคในการออกแบบอัลกอริทึม
  • การประยุกต์ใช้ GenAI ในขอบเขตต่างๆ (เช่น ศิลปะ การดูแลสุขภาพ การพัฒนาซอฟต์แวร์)
  • ข้อพิจารณาด้านจริยธรรมและผลกระทบต่อสังคมของ GenAI

บริบท

สนาม GenAI ตั้งอยู่ที่จุดตัดของหลายสาขาวิชา โดยใช้ประโยชน์จากการเรียนรู้เชิงลึก การสร้างแบบจำลองทางสถิติ และความคิดสร้างสรรค์ในการคำนวณเพื่อสร้างผลลัพธ์ใหม่ๆ ที่สามารถเลียนแบบหรือเหนือกว่าความคิดสร้างสรรค์ระดับมนุษย์ในบางแง่มุมได้ ด้วยความก้าวหน้าอย่างรวดเร็วใน AI สิ่งสำคัญคือต้องรักษาภาพรวมที่ชัดเจนและเป็นระเบียบของความคืบหน้าในด้านนี้ ซึ่งพื้นที่เก็บข้อมูลนี้มุ่งหวังที่จะให้ได้

เอกสารวิจัย

หมายเหตุ: ไม่อยู่ในลำดับใดโดยเฉพาะ

การจำแนกประเภท

หมวดหมู่ เอกสาร คำอธิบาย
โมเดลภาษาและ AI ทั่วไป 1, 10, 11, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 31, 34, 35, 36, 37, 38, 40, 41, 42, 43, 44, 45, 48, 54, 56, 58, 60, 66, 69, 74, 76, 79, 80, 82, 84, 86, 87, 89, 90, 92, 93, 95, 98, 99, 101, 103, 104 เอกสารที่เกี่ยวข้องกับแบบจำลองภาษา การนำไปใช้ ข้อพิจารณาด้านจริยธรรม และการปรับปรุงการฝึกอบรมหรือการทำงาน
บูรณาการวิสัยทัศน์และภาษา 3, 4, 29, 30, 33, 64 มุ่งเน้นไปที่การบูรณาการข้อมูลภาพกับโมเดลภาษา รวมถึงตัวแปลงการมองเห็นและการปรับแต่งข้อความเป็นภาพส่วนบุคคล
กลไกความสนใจและหม้อแปลงไฟฟ้า 8, 9, 25, 28, 73 อภิปรายการทฤษฎีความสนใจในการเรียนรู้เชิงลึกและการเพิ่มประสิทธิภาพของโมเดลหม้อแปลงไฟฟ้า
ดนตรีและ AI สร้างสรรค์ 5 บทความพิเศษเกี่ยวกับการสร้างดนตรีโดยใช้ AI
การสังเคราะห์ภาพความละเอียดสูง 6, 7, 63 อภิปรายการสังเคราะห์ภาพความละเอียดสูงโดยใช้แบบจำลองการแพร่กระจายและตัวแปลงวิชันซิสเต็ม
ประสิทธิภาพและการปรับขนาดใน AI 2, 25, 26, 27, 28, 59, 61, 71, 72, 83, 88, 97 ครอบคลุมประสิทธิภาพของ AI ในแง่ของหน่วยความจำ การอนุมาน และการปรับขนาด
ผลกระทบต่อสิ่งแวดล้อมของ AI 12 เอกสารเฉพาะที่มุ่งเน้นไปที่ผลกระทบต่อสิ่งแวดล้อมของระบบ AI
AI ที่เน้นการโต้ตอบและการโต้ตอบ 13, 24, 34, 35, 36, 37, 39, 53, 67, 81, 91 แอปพลิเคชันและแพลตฟอร์มบทสนทนาที่เกี่ยวข้องสำหรับตัวแทนภาษาเชิงโต้ตอบ
การเพิ่มประสิทธิภาพ AI และการเรียนรู้เมตา 27, 31, 32, 37, 46, 47, 49, 55, 57, 62, 65, 68, 70, 75, 78, 96 เกี่ยวกับการปรับปรุงความสามารถของ AI ผ่านการพัฒนาตนเอง การเพิ่มประสิทธิภาพการตั้งค่า และการกลั่นกรอง
แอปพลิเคชั่น AI เบ็ดเตล็ด 29, 30, 33, 50, 52, 77, 85, 94, 100, 102 พูดคุยเกี่ยวกับแอปพลิเคชัน AI เฉพาะกลุ่ม เช่น บรรทัดฐานทั่วไปและการปรับแต่งคำสั่งด้วยภาพ

รายการที่สมบูรณ์

  1. การปรับปรุง CLIP ด้วย GPT-4: การควบคุมคำอธิบายภาพตามพร้อมท์
  2. EfficientViT: หน่วยความจำที่มีประสิทธิภาพ Vision Transformer พร้อม Cascaded Group Attention
  3. การแก้ไขอันดับ 1 แบบล็อคด้วยกุญแจสำหรับการปรับแต่งข้อความเป็นรูปภาพ
  4. ELIXR: สู่ระบบปัญญาประดิษฐ์เอ็กซ์เรย์วัตถุประสงค์ทั่วไปผ่านการจัดตำแหน่งของแบบจำลองภาษาขนาดใหญ่และเครื่องเข้ารหัสการมองเห็นทางรังสีวิทยา
  5. การสร้างเพลงที่ง่ายและควบคุมได้
  6. การสังเคราะห์ภาพความละเอียดสูงด้วยแบบจำลองการแพร่กระจายแฝง
  7. ล้วนเป็นคำพูดที่คุ้มค่า: กระดูกสันหลังของ ViT สำหรับโมเดลการแพร่กระจาย
  8. ความเอาใจใส่คือสิ่งที่คุณต้องการ
  9. มุมมองทางคณิตศาสตร์ของแบบจำลองความสนใจในการเรียนรู้เชิงลึก
  10. การปรับปรุงความเข้าใจภาษาโดย Generative Pre-Training
  11. โมเดลภาษาขนาดใหญ่และการทดสอบทัวริงแบบย้อนกลับ
  12. การประมาณรอยเท้าคาร์บอนของบลูม ซึ่งเป็นแบบจำลองภาษาพารามิเตอร์ 176b
  13. LaMDA: โมเดลภาษาสำหรับแอปพลิเคชันโต้ตอบ
  14. Gorilla: โมเดลภาษาขนาดใหญ่ที่เชื่อมต่อกับ API ขนาดใหญ่
  15. แบบจำลองพื้นฐานสำหรับปัญหา วิธีการ และโอกาสในการตัดสินใจ
  16. การฝึกอบรมแบบจำลองภาษาล่วงหน้าอย่างต่อเนื่อง
  17. อูฐไปได้ไกลแค่ไหน? สำรวจสถานะของการปรับแต่งคำสั่งบนทรัพยากรแบบเปิด
  18. อัลปากาซัส: ฝึกอัลปาก้าให้ดีขึ้นด้วยข้อมูลน้อยลง
  19. ความเสี่ยงด้านจริยธรรมและสังคมจากอันตรายจากโมเดลภาษา
  20. การประเมินแบบองค์รวมของแบบจำลองภาษา
  21. เกี่ยวกับความเสี่ยงของมลพิษข้อมูลที่ไม่ถูกต้องด้วยแบบจำลองภาษาขนาดใหญ่
  22. ความสามารถในการแก้ไขตนเองทางศีลธรรมในแบบจำลองภาษาขนาดใหญ่
  23. ความซื่อสัตย์: การวัดความสมบูรณ์ของประโยคที่สร้างความเจ็บปวดในแบบจำลองภาษา
  24. ReAct: การประสานการใช้เหตุผลและการแสดงในรูปแบบภาษา
  25. การอนุมานหม้อแปลงปรับขนาดได้อย่างมีประสิทธิภาพ
  26. Hungry Hungry Hippos: สู่การสร้างแบบจำลองภาษาด้วยแบบจำลองอวกาศของรัฐ
  27. Promptbreeder: การพัฒนาตนเองแบบอ้างอิงตนเองผ่าน Prompt Evolution
  28. โมเดลภาษาสตรีมมิ่งที่มีประสิทธิภาพพร้อมการดึงความสนใจ
  29. การปรับแต่งคำสั่งด้วยภาพ
  30. ปรับปรุงพื้นฐานด้วยการปรับแต่งคำสั่งด้วยภาพ
  31. การเพิ่มประสิทธิภาพการตั้งค่าโดยตรง: โมเดลภาษาของคุณถือเป็นโมเดลรางวัลอย่างลับๆ
  32. Distil-Whisper: การเผยแพร่ความรู้ที่แข็งแกร่งผ่านการติดฉลากหลอกขนาดใหญ่
  33. การอ่านหนังสือเป็นเรื่องดี แต่ไม่ใช่หากคุณขับรถอยู่! การใช้เหตุผลแบบมีพื้นฐานทางสายตาเกี่ยวกับบรรทัดฐานสามัญสำนึกที่ยอมรับได้
  34. TeacherLM: สอนจับปลาแทนที่จะให้ปลา การสร้างแบบจำลองภาษาเช่นเดียวกัน
  35. Self-RAG: การเรียนรู้ที่จะดึงข้อมูล สร้าง และวิจารณ์ผ่านการไตร่ตรองตนเอง
  36. InstructRetro: การปรับแต่งคำสั่งหลังการดึงข้อมูล-การฝึกล่วงหน้าแบบเสริม
  37. OpenAgents: แพลตฟอร์มแบบเปิดสำหรับตัวแทนภาษาในป่า
  38. โมเดลภาษาขนาดใหญ่เข้าใจและสามารถปรับปรุงได้ด้วยสิ่งกระตุ้นทางอารมณ์
  39. ตัวแทนการสื่อสารเพื่อการพัฒนาซอฟต์แวร์
  40. โมเดลภาษาขนาดใหญ่คือวิศวกรที่พร้อมท์ในระดับมนุษย์
  41. การแจ้งน้อยที่สุดไปมากที่สุดช่วยให้ใช้เหตุผลที่ซับซ้อนในแบบจำลองภาษาขนาดใหญ่
  42. ความสอดคล้องในตนเองปรับปรุงการใช้เหตุผลแบบห่วงโซ่ความคิดในแบบจำลองภาษา
  43. โมเดลภาษาสามารถเป็นนักแก้ปัญหาเชิงตรรกะได้
  44. แพ้ตรงกลาง: โมเดลภาษาใช้บริบทแบบยาวอย่างไร
  45. การกระตุ้นเตือนแบบลูกโซ่แห่งความคิดที่ตรงกันข้าม
  46. RankZephyr: การจัดอันดับ Zero-Shot ที่มีประสิทธิภาพและแข็งแกร่ง การจัดอันดับใหม่เป็นเรื่องง่าย!
  47. LLM ในพริบตา: การอนุมานแบบจำลองภาษาขนาดใหญ่ที่มีประสิทธิภาพพร้อมหน่วยความจำที่จำกัด
  48. PowerInfer: โมเดลภาษาขนาดใหญ่ที่รวดเร็วที่ให้บริการด้วย GPU ระดับผู้บริโภค
  49. ฟังก์ชั่นการสูญเสียที่ยึดมนุษย์เป็นศูนย์กลาง (HALO)
  50. ผู้ท้าชิงสู่ GPT-4V หรือไม่? การสำรวจราศีเมถุนในระยะเริ่มแรกในด้านความเชี่ยวชาญด้านการมองเห็น
  51. การอนุมานแบบกระจายและการปรับแต่งแบบจำลองภาษาขนาดใหญ่อย่างละเอียดผ่านทางอินเทอร์เน็ต
  52. GAIA: การสร้างอวาตาร์พูดคุยแบบ Zero-shot
  53. ตัวแทนการนอนหลับ: การฝึกอบรม LLMS หลอกลวงที่ยังคงมีอยู่ผ่านการฝึกอบรมด้านความปลอดภัย
  54. LLMLingua: การบีบอัดพรอมต์สำหรับการอนุมานแบบเร่งของโมเดลภาษาขนาดใหญ่
  55. รากฐานของการดึงข้อมูลเวกเตอร์
  56. โมเดลภาษาที่ให้รางวัลตนเอง
  57. BloombergGPT: โมเดลภาษาขนาดใหญ่สำหรับการเงิน
  58. มิสทรัล 7B
  59. โครงข่ายประสาทเทียมขนาดใหญ่อย่างอุกอาจ: เลเยอร์ผู้เชี่ยวชาญแบบผสมผสานที่มีรั้วรอบขอบชิดแบบกระจัดกระจาย
  60. MegaBlocks: การฝึกอบรมแบบเบาบางที่มีประสิทธิภาพพร้อมผู้เชี่ยวชาญที่หลากหลาย
  61. ผู้เชี่ยวชาญผสมผสานกับการปรับแต่งคำสั่ง: การผสมผสานที่ชนะเลิศสำหรับโมเดลภาษาขนาดใหญ่
  62. Orca 2: การสอนแบบจำลองภาษาเล็กๆ วิธีใช้เหตุผล
  63. ConvNets จับคู่ Vision Transformers ในขนาดที่ต้องการ
  64. วิดีโออีมู: การแยกตัวประกอบการสร้างข้อความเป็นวิดีโอโดยการปรับสภาพภาพที่ชัดเจน
  65. Pythia: ชุดโปรแกรมสำหรับการวิเคราะห์โมเดลภาษาขนาดใหญ่ข้ามการฝึกอบรมและการปรับขนาด
  66. Llama 2: Open Foundation และโมเดลการแชทที่ได้รับการปรับแต่ง
  67. QLoRA: การปรับแต่ง LLM เชิงปริมาณอย่างมีประสิทธิภาพ
  68. RAG กับการปรับแต่งอย่างละเอียด: ท่อส่ง การแลกเปลี่ยน และกรณีศึกษาด้านการเกษตร
  69. ฝึกอบรมโมเดลภาษาให้ปฏิบัติตามคำแนะนำพร้อมคำติชมของมนุษย์
  70. การจำแนก LLM ด้วยกล้องส่องทางไกล: การตรวจจับข้อความที่สร้างโดยเครื่องจักรเป็นศูนย์
  71. เครือข่ายกระจัดกระจายตั้งแต่เริ่มต้น: การฝึกอบรมที่เร็วขึ้นโดยไม่สูญเสียประสิทธิภาพ
  72. ZeRO: การเพิ่มประสิทธิภาพหน่วยความจำเพื่อฝึกอบรมโมเดลพารามิเตอร์ล้านล้าน
  73. Switch Transformers: ปรับขนาดเป็นโมเดลพารามิเตอร์ล้านล้านด้วยความกระจัดกระจายที่เรียบง่ายและมีประสิทธิภาพ
  74. DeepSeekMoE: สู่ความเชี่ยวชาญขั้นสูงสุดในโมเดลภาษาแบบผสมผสานของผู้เชี่ยวชาญ
  75. MoE-Mamba: แบบจำลองพื้นที่ของรัฐแบบคัดเลือกที่มีประสิทธิภาพพร้อมผู้เชี่ยวชาญที่ผสมผสานกัน
  76. Code Llama: แบบจำลองพื้นฐานแบบเปิดสำหรับโค้ด
  77. LLaMA Pro: LLaMA แบบก้าวหน้าพร้อมส่วนขยายบล็อก
  78. การปรับแต่งการเล่นด้วยตัวเองอย่างละเอียดจะแปลงโมเดลภาษาที่อ่อนแอไปเป็นโมเดลภาษาที่แข็งแกร่ง
  79. Monarch Mixer: สถาปัตยกรรมที่ใช้ Sub-Quadratic GEMM อย่างง่าย
  80. ตัวแทนหลายภาษาที่ใช้โมเดลภาษาขนาดใหญ่: การสำรวจความก้าวหน้าและความท้าทาย
  81. การสร้างเสริมการดึงข้อมูลสำหรับโมเดลภาษาขนาดใหญ่: แบบสำรวจ
  82. ReAugKD: การกลั่นกรองความรู้แบบดึงข้อมูลเสริมสำหรับโมเดลภาษาที่ได้รับการฝึกอบรมล่วงหน้า
  83. ยุคของ LLM 1 บิต: โมเดลภาษาขนาดใหญ่ทั้งหมดมีขนาด 1.58 บิต
  84. ช่วยเหลือในการเขียนบทความที่เหมือนวิกิพีเดียตั้งแต่เริ่มต้นด้วยโมเดลภาษาขนาดใหญ่
  85. RAPTOR: การประมวลผลนามธรรมแบบเรียกซ้ำสำหรับการดึงข้อมูลแบบจัดต้นไม้
  86. Beyond A*: การวางแผนที่ดีขึ้นด้วย Transformers ผ่านการ Bootstrapping ของ Search Dynamics
  87. ชุดข้อมูลสำหรับโมเดลภาษาขนาดใหญ่: แบบสำรวจที่ครอบคลุม
  88. คอมไพเลอร์ LLM สำหรับการเรียกใช้ฟังก์ชันแบบขนาน
  89. การกระตุ้นเตือนแบบลูกโซ่ช่วยให้เกิดการใช้เหตุผลในแบบจำลองภาษาขนาดใหญ่
  90. การวางแผนและแก้ไขพร้อมท์: การปรับปรุงการใช้เหตุผลแบบลูกโซ่ของการคิดแบบ Zero-Shot ด้วยโมเดลภาษาขนาดใหญ่
  91. ReWOO: การแยกเหตุผลออกจากการสังเกตสำหรับแบบจำลองภาษาเสริมที่มีประสิทธิภาพ
  92. StructLM: มุ่งสู่การสร้างแบบจำลองทั่วไปสำหรับพื้นฐานความรู้ที่มีโครงสร้าง
  93. การประเมินเชิงวิพากษ์ของผลตอบรับ AI สำหรับการจัดแนวโมเดลภาษาขนาดใหญ่
  94. LLM โทรหาสิ่งที่คุณต้องการได้มากขึ้นหรือไม่? สู่กฎมาตราส่วนของระบบอนุมานเชิงซ้อน
  95. ความสามารถฉุกเฉินของโมเดลภาษาขนาดใหญ่ถือเป็นภาพลวงตาหรือไม่?
  96. Yi: Open Foundation Models โดย 01.AI
  97. ORPO: การเพิ่มประสิทธิภาพการกำหนดลักษณะเสาหินโดยไม่มีแบบจำลองอ้างอิง
  98. โมเดลภาษาขนาดใหญ่เข้าใจตรรกะหรือเพียงเลียนแบบบริบทหรือไม่
  99. การประเมินโมเดลภาษาขนาดใหญ่ที่ได้รับการฝึกอบรมเกี่ยวกับโค้ด
  100. การปรับแต่งตนเอง: การปรับแต่งซ้ำพร้อมการตอบรับด้วยตนเอง
  101. การสะท้อนกลับ: ตัวแทนภาษาพร้อมการเรียนรู้การเสริมกำลังด้วยวาจา
  102. MM-REACT: การแจ้ง ChatGPT สำหรับการให้เหตุผลและการดำเนินการหลายรูปแบบ
  103. HuggingGPT: การแก้ปัญหางาน AI ด้วย ChatGPT และเพื่อนๆ ใน Hugging Face
  104. AutoGen: การเปิดใช้งานแอปพลิเคชัน LLM รุ่นถัดไปผ่านการสนทนาแบบหลายตัวแทน
  105. Megalodon: การฝึกอบรม LLM ล่วงหน้าและการอนุมานที่มีประสิทธิภาพพร้อมความยาวบริบทไม่จำกัด
  106. แบบสำรวจแอปพลิเคชัน Generative AI
  107. MAC-SQL: กรอบการทำงานร่วมกันหลายตัวแทนสำหรับการแปลงข้อความเป็น SQL
  108. Prometheus 2: โมเดลภาษาโอเพ่นซอร์สที่เชี่ยวชาญในการประเมินโมเดลภาษาอื่น
  109. MetaGPT: การเขียนโปรแกรม Meta สำหรับกรอบการทำงานร่วมกันหลายตัวแทน
  110. ทำความเข้าใจความสามารถในการให้เหตุผลของหม้อแปลงผ่านอัลกอริธึมกราฟ
  111. การขจัดภาพหลอน LLM จำเป็นต้องมีการคิดใหม่เกี่ยวกับลักษณะทั่วไป
  112. บริบทของคุณไม่ใช่อาร์เรย์: เปิดเผยข้อ จำกัด การเข้าถึงแบบสุ่มใน Transformers
  113. LLM Lies: ภาพหลอนไม่ใช่แมลง แต่ถือเป็นตัวอย่างที่ขัดแย้งกัน
  114. หน่วยความจำ^3: การสร้างแบบจำลองภาษาด้วยหน่วยความจำที่ชัดเจน
  115. การถอดรหัส NeuroLogic: (Un) การสร้างข้อความทางประสาทที่ได้รับการดูแลโดยมีข้อจำกัดของเพรดิเคตลอจิก
  116. LOTUS: การเปิดใช้งานการสืบค้นเชิงความหมายด้วย LLM บนตารางข้อมูลที่ไม่มีโครงสร้างและข้อมูลที่มีโครงสร้าง
  117. Text2SQL นั้นไม่เพียงพอ: การรวม AI และฐานข้อมูลเข้าด้วยกันด้วย TAG
  118. การใช้เหตุผลแบบลูกโซ่แห่งความคิดโดยไม่ต้องแจ้งให้ทราบ
  119. ห่วงโซ่แห่งความคิดช่วยให้หม้อแปลงไฟฟ้าสามารถแก้ไขปัญหาต่อเนื่องโดยธรรมชาติได้
  120. ลำดับสถานที่ตั้งมีความสำคัญในการให้เหตุผลด้วยแบบจำลองภาษาขนาดใหญ่
  121. การสอนโมเดลภาษาขนาดใหญ่เพื่อแก้ไขข้อบกพร่องด้วยตนเอง
  122. SciAgents: ทำให้การค้นพบทางวิทยาศาสตร์เป็นอัตโนมัติผ่านการให้เหตุผลด้วยกราฟอัจฉริยะหลายตัวแทน
  123. Gemini 1.5: ปลดล็อกความเข้าใจหลายรูปแบบผ่านโทเค็นบริบทนับล้าน
  124. การสร้างแบบเสริมการดึงข้อมูลแบบเอเจนติกสำหรับการวิเคราะห์อนุกรมเวลา
  125. การปรับแต่งการสะท้อนกลับ: การรีไซเคิลข้อมูลช่วยปรับปรุงการปรับแต่งคำสั่ง LLM
  126. OLMoE: เปิดโมเดลภาษาแบบผสมผสานของผู้เชี่ยวชาญ
  127. Quiet-STAR: โมเดลภาษาสามารถสอนตัวเองให้คิดก่อนพูดได้
  128. เอเจนต์ถาม: การใช้เหตุผลขั้นสูงและการเรียนรู้สำหรับเอเจนต์ AI อัตโนมัติ
  129. มาตรวจสอบกันทีละขั้นตอน
  130. เรียนรู้ให้ไกลกว่าคำตอบ: ฝึกโมเดลภาษาพร้อมการสะท้อนเหตุผลทางคณิตศาสตร์
  131. V-STAR: ผู้ตรวจสอบการฝึกอบรมสำหรับผู้ให้เหตุผลด้วยตนเอง
  132. หน่วยความจำเวิร์กโฟลว์ตัวแทน
  133. การแปลงข้อความเป็น SQL เชิงสนทนา: โอดิสซีย์สู่ความล้ำหน้าและความท้าทายข้างหน้า
  134. การนำทาง LLM ไปในทางที่ถูกต้อง: การสร้างแบบจำกัดที่รวดเร็วและไม่รุกราน
  135. การเพิ่มความสามารถ Few-shot Text-to-SQL ของโมเดลภาษาขนาดใหญ่: การศึกษาเกี่ยวกับกลยุทธ์การออกแบบที่รวดเร็ว
  136. การแปลงข้อความเป็น SQL โดยไม่ต้องใช้สคีมาอย่างมีประสิทธิภาพโดยใช้โมเดลภาษาขนาดใหญ่
  137. SQL-to-Schema ปรับปรุงการเชื่อมโยง Schema ใน Text-to-SQL
  138. CodeS: มุ่งสู่การสร้างแบบจำลองภาษาโอเพ่นซอร์สสำหรับ Text-to-SQL
  139. ความเข้าใจทางทฤษฎีของห่วงโซ่แห่งความคิด: การใช้เหตุผลที่สอดคล้องกันและการสาธิตการรับรู้ถึงข้อผิดพลาด
  140. คำแนะนำที่เป็นหลักการคือสิ่งที่คุณต้องการสำหรับการตั้งคำถาม LLaMA-1/2, GPT-3.5/4
  141. การควบคุมโมเดลภาษาขนาดใหญ่ระหว่างการดำเนินการโค้ดและการใช้เหตุผลเชิงข้อความ
  142. ผู้บุกเบิกปลายเปิดแบบจับคู่ (POET): สร้างสภาพแวดล้อมการเรียนรู้ที่ซับซ้อนและหลากหลายและโซลูชั่นของพวกเขาอย่างไม่มีที่สิ้นสุด

บันทึกการเรียนรู้

วันที่ การเรียนรู้
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด