Derniers articles pour Modèles de langue

De nouvelles métriques améliorent l'efficacité des grands modèles de langage dans l'éducation.

Cet article examine comment les grands modèles de langage se souviennent des infos de leurs données d'entraînement.

Adapter des modèles multilingues peut améliorer les performances pour les langues ouraliennes moins utilisées.

Explore le rôle de la classification ordinale et l'impact des modèles de langage pré-entraînés.

Explore comment DETAIL améliore la compréhension de l'apprentissage en contexte dans les modèles de langage.

TPO propose une nouvelle méthode pour aligner les modèles de langue avec les préférences humaines de manière efficace.

ThReaD améliore la performance des LLM sur des tâches complexes grâce à une gestion dynamique des threads.

Cet article examine les risques d'ajuster les modèles de langage pour la sécurité.

Une nouvelle approche améliore la diversité des prompts pour des modèles de langage plus sûrs.

Des recherches montrent les défis de la détection des filigranes dans les grands modèles de langage.

Cette étude présente un système pour améliorer la précision des modèles de langue en utilisant des défis adverses.

Apprends comment les équipes adaptables améliorent la performance des tâches avec des agents de modèles linguistiques.

MAP-Neo vise la transparence et la performance dans la modélisation du langage IA.

Examine les défis et les solutions dans le watermarking des LLM pour éviter les abus.

De nouvelles ressources améliorent l'évaluation des modèles de langue coréenne.

Des recherches montrent que des instructions variées améliorent la performance des modèles de langage sur des tâches inédites.

La recherche présente une méthode pour améliorer la prise de décision dans les agents de modèles de langue.

Cette étude examine comment les LLM gèrent le raisonnement dans des scénarios abstraits et contextuels.

Le Block Transformer améliore la vitesse et l'efficacité du traitement de texte dans les modèles de langage.

Des tests récents montrent que les LLM ont des faiblesses en raisonnement simple malgré leurs bons scores aux benchmarks.

Un guide pour transformer du code Python non idiomatique en utilisant des techniques modernes.

Cette étude examine comment les LLM gèrent les changements dans les tâches de résumé.

Cette étude explore comment créer des phrases qui gardent des significations spécifiques en utilisant FrameNet.

Cette étude évalue la capacité de GPT-4 à extraire des données de la littérature sur les matériaux.

Les attaques par brouillage peuvent perturber les systèmes de génération augmentée par récupération en bloquant les réponses.

Cet article évalue la capacité des modèles de langue à simuler des environnements de jeu.

Une nouvelle approche pour évaluer les stratégies de raisonnement en mettant l'accent sur les coûts computationnels.

MedExQA fixe un nouveau standard pour évaluer les modèles de langage médical en mettant l’accent sur les explications.

Une étude évalue à quel point les LLMs raisonnent au-delà du contexte immédiat.

Explorer les limites de l'Optimisation de Préférences Directes dans l'entraînement des modèles de langue.

Évaluer à quel point les modèles de langage réussissent à faire des enquêtes de recherche dans différents domaines académiques.

Un nouvel outil pour évaluer l'amélioration continue des modèles de langage grâce aux retours.

Un nouveau cadre évalue les modèles de langage sur l'intelligence émotionnelle et la créativité.

De nouvelles méthodes améliorent la performance des modèles de langue grâce à une meilleure sélection d'exemples.

ReadCtrl permet aux modèles de langue d’adapter la complexité du texte aux capacités des lecteurs.

GAMA améliore le traitement audio en fusionnant des infos sur le son et le langage.

SciEx révèle les forces et les défis des LLMs dans l'évaluation scientifique.

Cette étude montre comment BERT apprend des faits sur le COVID-19 grâce à un entraînement continu.

Un nouveau benchmark teste les capacités des LLM avec des formats de données structurées.

Un nouveau cadre améliore la façon dont les agents LLM apprennent grâce à des conseils de processus détaillés.