Philip H. S. Torr

Cet article explore comment les données d'entraînement affectent les performances des modèles dans les systèmes multimodaux.

Un aperçu du prompting et du prefix-tuning dans les modèles transformer.

DietCL combine efficacement des données étiquetées et non étiquetées pour un meilleur apprentissage.

Explorer l'utilisation responsable de la technologie de l'IA générative dans différents domaines.

Examiner comment les modèles récurrents peuvent approximer des fonctions en fonction des prompts.

Une nouvelle méthode améliore l'utilisation des données des capteurs dans les voitures autonomes.

Une nouvelle approche simplifie la sécurité et l'utilité dans l'entraînement des modèles de langage.

Découvrez comment MALT améliore la résolution de problèmes grâce au travail d'équipe entre les modèles de langue.