Christopher Potts

Une étude détaillée sur comment les modèles mémorisent du texte et ses implications.

Des méthodes innovantes améliorent l'alignement des LLMs avec les préférences humaines pour de meilleures performances.

Un aperçu approfondi des unités récurrentes à portes dans l'apprentissage de séquences.

Cette approche facilite le choix des ensembles de données de préentraînement efficaces pour les modèles de langue.

Un nouveau jeu de données améliore les suggestions de saisie automatique des requêtes en utilisant des données réelles d'utilisateurs.