prompt in context learning
1.0.0
来自Egoalpha实验室的及时文化学习的开源工程指南。
论文| ⚡️游乐场| ？及时工程| ？ chatgpt提示｜ ｜ ｜ llms使用指南
测试smind资源：这是新鲜的，每天更新的资源，用于内在学习和及时的工程。随着人工通用情报（AGI）的临近，让我们采取行动并成为超级学习者，以将自己定位在这个令人兴奋的时代的最前沿，并努力寻求个人和专业的伟大。
资源包括：
？文件？ ：有关秘密学习，及时工程，代理和基础模型的最新论文。
？操场？ ：大型语言模型（llms），可以迅速实验。
及时工程？ ：利用大型语言模型的及时技术。
chatgpt提示？ ：及时可以应用于我们的工作和日常生活中的例子。
LLMS使用指南？ ：使用Langchain快速开始使用大型语言模型的方法。
将来，地球上可能会有两种类型的人（甚至在火星上，但这是马斯克的一个问题）：
?EgoAlpha: Hello! human?, are you ready?
Egoalpha释放Trustgpt专注于推理。信任GPT具有最强和可靠答案的最强推理能力。您可以单击此处或直接访问操场以体验。
[2024.11.17]
[2024.11.16]
[2024.11.15]
[2024.11.14]
[2024.11.13]
[2024.11.12]
[2024.11.11]
完整的历史新闻？
您可以直接单击标题跳到相应的PDF链接位置
运动引起注意：视频运动提示（ 2024.07.03 ）
迈向个人健康大语言模型（ 2024.06.10 ）
沙哑：多步推理的统一的开源语言代理（ 2024.06.10 ）
终身学习大型语言模型：调查（ 2024.06.10 ）
迈向多模式LLM中令牌化的语义等效性（ 2024.06.07 ）
LLM符合多模式生成和编辑：调查（ 2024.05.29 ）
使用大语言模型的工具学习：调查（ 2024.05.28 ）
当LLMS进入3D世界时：通过多模式大语言模型（ 2024.05.16 ）对3D任务进行调查和荟萃分析
LLMS的不确定性估计和量化：一种简单的监督方法（ 2024.04.24 ）
基于大语言模型的代理的记忆机制的调查（ 2024.04.21 ）
完整的纸张清单？用于“调查”？
llara：视觉策略的增压机器人学习数据（ 2024.06.28 ）
数据集尺寸从洛拉（Lora）举重（ 2024.06.27 ）
双相加速及时优化（ 2024.06.19 ）
从抹布到丰富的参数：探索语言模型如何利用外部知识而不是参数信息进行事实查询（ 2024.06.18 ）
VOCO-LALAMA：使用大语言模型的视觉压缩（ 2024.06.18 ）
LAMDA：大型模型通过频谱分解的低维度适应（ 2024.06.18 ）
初始化对Lora Finetuning Dynamics的影响（ 2024.06.12 ）
多模式大型语言模型参数有效微调的实证研究（ 2024.06.07 ）
跨境后面的后门攻击针对图表提示（ 2024.05.28 ）
Yuan 2.0-m32：专家与注意路由器的混合物（ 2024.05.28 ）
完整的纸张清单？对于“及时设计”？
多模式大型语言模型参数有效微调的实证研究（ 2024.06.07 ）
Cantor：启发性的MLLM的多模式链（ 2024.04.24 ）
Nicolay-R在Semeval-2024任务3：使用Flan-T5在情感状态的对话中使用Flan-T5进行推理情感原因（ 2024.04.04 ）
大语模型中的思想化引起的空间推理（ 2024.04.04 ）
小语言模型可以更好地帮助大语模型吗？
视觉婴儿床：多模式模型中释放经过思考的推理（ 2024.03.25 ）
通过LLMS的一系列促进链条方法，用于评估学生在科学中的形成性评估回答（ 2024.03.21 ）
NAVCOT：通过学习解开推理来提高基于LLM的视力和语言导航（ 2024.03.12 ）
ERA-COT：通过实体关系分析改善思想链（ 2024.03.11 ）
偏见的一致性训练减少了三（ 2024.03.08 ）的偏见推理
完整的纸张清单？对于“思想链”？
LAMDA：大型模型通过频谱分解的低维度适应（ 2024.06.18 ）
初始化对Lora Finetuning Dynamics的影响（ 2024.06.12 ）
多模式大型语言模型参数有效微调的实证研究（ 2024.06.07 ）
利用视觉令牌用于多模式学习中的扩展文本上下文（ 2024.06.04 ）
学习grok：模块化算术任务中的内在学习和技能组成的出现（ 2024.06.04 ）
长篇小说根本不长：大语言模型的长依赖性数据的探矿者（ 2024.05.28 ）
通过多空间投影和及时融合（ 2024.05.19 ）进行有效的及时调整
MAML-EN-LLM：LLMS的模型不可替代的元素培训，以改善封闭式学习（ 2024.05.19 ）
通过大型语言模型改善常识性生成的多样性，通过文化学习（ 2024.04.25 ）
更强的随机基准（用于内在的学习（ 2024.04.19 ）
完整的纸张清单？对于“封闭式学习”？
洛拉专家的检索效果混合物用于上传机器学习（ 2024.06.24 ）
增强抹布系统：性能和可伸缩性的优化策略调查（ 2024.06.04 ）
通过自适应对抗训练（ 2024.05.31 ，提高检索型语言模型的噪音稳健性
加速通过稀疏上下文选择检索仪的生成（ 2024.05.25 ）
Docrelm：使用语言模型掌握文档检索（ 2024.05.19 ）
Unirag：多模式大语言模型的通用检索量（ 2024.05.16 ）
Chathuman：语言驱动的3D人类理解，带有检索功能的工具推理（ 2024.05.07 ）
原因：使用公共和专有LLM（ 2024.05.03 ）检索和自动引用科学句子的基准
叠加提示：改进和加速检索效果（ 2024.04.10 ）
打开结：大语言模型中的相互矛盾的知识和推理技能（ 2024.04.04 ）
完整的纸张清单？对于“检索增强一代”？
大提琴：大视觉语言模型的因果评估（ 2024.06.27 ）
prexme！大规模及时探索用于机器翻译和汇总评估的开源LLM （ 2024.06.26 ）
重新访问大型多模型时代的参考表达理解评估（ 2024.06.24 ）
OR-BENCH：大语言模型的超级基准测试（ 2024.05.31 ）
Timechara：评估角色扮演大语言模型的时间点角色幻觉（ 2024.05.28 ）
微妙的偏见需要微妙的措施：用于评估大语言模型中代表性和亲和力偏见的双重指标（ 2024.05.23 ）
HW-GPT基础：语言模型的硬件感知体系结构基准（ 2024.05.16 ）
多模式LLM与基本视觉网络分析斗争：VNA基准（ 2024.05.10 ）
Vibe-eval：用于衡量多模式模型进度的硬评估套件（ 2024.05.03 ）
语言模型的因果评估（ 2024.05.01 ）
完整的纸张清单？用于“评估和可靠性”？
无人机移动边缘计算网络的合作多代理深钢筋学习方法（ 2024.07.03 ）
符号学习启用自我发展的代理（ 2024.06.26 ）
对多模式代理的对抗性攻击（ 2024.06.18 ）
Digirl：用自主加固学习培训野外设备控制代理（ 2024.06.14 ）
使用大语言模型代理将可穿戴的数据转换为健康见解（ 2024.06.10 ）
神经形态梦：人造代理中有效学习的途径（ 2024.05.24 ）
通过增强学习（ 2024.05.16 ，微调大型视觉模型作为决策代理
从图形建模的角度学习多代理通信（ 2024.05.14 ）
蓝精灵：利用具有上下文效率工具计划的多种能力剂（ 2024.05.09 ）
在人与Web代理之间揭示Web任务处理中的差异（ 2024.05.07 ）
完整的纸张清单？对于“代理人”？
InternLM-XCOMPOSER-2.5：一种多功能的大视觉语言模型，支持长篇文化输入和输出（ 2024.07.03 ）
llara：视觉策略的增压机器人学习数据（ 2024.06.28 ）
Web2Code：多模式LLMS（ 2024.06.28 ）的大规模网页对代码数据集和评估框架
Llavolta：通过阶段视觉上下文压缩的有效多模式模型（ 2024.06.28 ）
Cambrian-1：多模式LLM的完全开放的，以视觉为中心的探索（ 2024.06.24 ）
VOCO-LALAMA：使用大语言模型的视觉压缩（ 2024.06.18 ）
超越LLAVA-HD：潜入高分辨率大型多模型（ 2024.06.12 ）
多模式大型语言模型参数有效微调的实证研究（ 2024.06.07 ）
利用视觉令牌用于多模式学习中的扩展文本上下文（ 2024.06.04 ）
装饰：多模式模型中的语义抽象的脱钩令牌压缩（ 2024.05.31 ）
完整的纸张清单？对于“多模式提示”？
Incognitext：通过基于LLM的私人属性随机化wantyrigation （ 2024.07.03 ）
Web2Code：多模式LLMS（ 2024.06.28 ）的大规模网页对代码数据集和评估框架
OMG-llava：桥接图像级，对象级，像素级推理和理解（ 2024.06.27 ）
大语言模型的对抗搜索引擎优化（ 2024.06.26 ）
Videollm-Online：在线视频流媒体视频的大型语言模型（ 2024.06.17 ）
正规化隐藏状态使学习LLMS的可通用奖励模型（ 2024.06.14 ）
自回归模型击败扩散：可扩展图像生成的美洲驼（ 2024.06.10 ）
语言模型效仿某些认知概况：对可预测性测量如何与个体差异相互作用的研究（ 2024.06.07 ）
速度：大语言模型的简约概念工程（ 2024.06.06 ）
Yuan 2.0-m32：专家与注意路由器的混合物（ 2024.05.28 ）
完整的纸张清单？对于“及时申请”？
理论：将通用LLMS转换为Lean4专家（ 2024.07.03 ）
人行人3D形状理解人员通过多视图学习重新识别（ 2024.07.01 ）
令牌擦除是LLMS中隐性词汇项目的足迹（ 2024.06.28 ）
OMG-llava：桥接图像级，对象级，像素级推理和理解（ 2024.06.27 ）
模型编辑的基本问题：理性信念修订应如何在LLM中起作用？ （ 2024.06.27 ）
具有上下文感知令牌化的有效世界模型（ 2024.06.27 ）
LLMS的显着鲁棒性：推理阶段？ （ 2024.06.27 ）
RESUMUMEATLAS：使用大型数据集和大型语言模型重新访问简历分类（ 2024.06.26 ）
Aitti：学习自适应包含在文本到图像的代币（ 2024.06.18 ）
揭开无编码器视觉语言模型（ 2024.06.17 ）
完整的纸张清单？对于“基础模型”？
大型语言模型（LLM）正在成为一种革命性的技术，正在塑造我们时代的发展。开发人员可以通过构建LLM来创建以前在我们的想象中进行的应用程序。但是，使用这些LLM通常会带有某些技术障碍，即使在入门阶段，人们可能会被尖端的技术吓倒：您是否有类似的问题？
如果有一个听众可以访问的教程，而不仅仅是计算机科学专业人员，它将提供详细且全面的指导，以快速启动并在短时间内开始运作，最终实现了能够灵活地使用LLMS的目标并创造性地构建他们设想的程序。现在，仅适合您：最详细，最全面的Langchain初学者指南，来自官方Langchain网站，但对内容进行了进一步调整，并伴随着最详细和注释的代码示例，逐行教代码和句子教代码到所有受众。
点击这里？快速参观LLM的入门。
此存储库由Egoalpha实验室维护。欢迎通过[email protected]进行问题和讨论。
我们愿意与学术和工业社区的朋友进行讨论，并共同探索及时的工程和文化学习中的最新发展。
多亏了来自Egoalpha实验室的博士生和其他参与此仓库的工人。我们将在后续期间改进项目，并保持良好的社区。我们还要对相关资源的作者表示衷心的感谢。您的努力扩大了我们的视野，使我们能够感知一个更美好的世界。
