Yongbin Li

Solar transforme les types de données en langage pour mieux répondre aux questions.

Une nouvelle approche utilise des réseaux plus larges pour améliorer la qualité d'évaluation des modèles de langue.

Explorer l'impact de la complexité des instructions sur la performance des modèles de langage.

Le cadre UniSA regroupe les tâches d'analyse des sentiments pour une meilleure reconnaissance des émotions.

UniPCM utilise la génération automatique de prompts pour améliorer efficacement les systèmes de dialogue.

Une nouvelle méthode améliore la compréhension des conversations par les modèles de langue.

Une méthode appelée Masked Thought Fine-Tuning améliore la résolution de problèmes mathématiques dans les modèles de langage.

Examiner comment les LLM assurent la sécurité et l'impact des jailbreaks.

Un nouveau cadre améliore les données d'entraînement pour les modèles de langage en utilisant des images et du texte.