| 이름 | 요약 | 주제 | |
|---|---|---|---|
| 2024년 1월 31일 | 논리적인 지원을 제공하는 언어 모델: 듀오과특 | 이 설문 조사에서는 다양한 문제 유형, 데이터 세트, 기술, 요인 및 과제를 해결하고 수학적 문제 해결에서 대규모 언어 모델의 환경을 조사합니다. | 작업별 LLM |
| 2024년 1월 29일 | 확장 검색 생성 | 검색 증강 생성 모델의 견고성에 대한 우려를 해결하기 위해 CRAG(수정 검색 증강 생성)가 제안되었습니다. | 조각 |
| 2024년 1월 29일 | MoE-LLaVA: 재능있는 언어 모델을 전문으로 편집 | 이 연구에서는 지속적인 계산 오버헤드로 희소 모델을 구성하여 기존 확장 방법의 계산 비용을 해결하는 대규모 비전 언어 모델을 위한 훈련 전략인 MoE-Tuning을 소개합니다. | 환경부 모델 |
| 2024년 1월 29일 | 지원의 힘: RAG 시스템 검색의 재정의 | 이 연구는 RAG 시스템 내에서 LLM의 생성 측면에 초점을 맞춘 이전 연구를 보완하여 검색 증강 생성 시스템에 대한 정보 검색 구성 요소의 영향을 조사합니다. | 조각 |
| 2024년 1월 24일 | MM-LLM: 다중 대형 언어의 최근 발전 | 이 문서에서는 기성 LLM을 강화하여 다중 모달 입력 또는 출력을 지원하는 MM-LLM(MultiModal Large Language Model)에 대한 포괄적인 조사를 제공합니다. | 다중 모드 LLM |
| 2024년 1월 23일 | 레드팀 표시 언어 모델 | 유해하거나 부정확한 콘텐츠를 생성하는 VLM(Vision-Language Model) 성능을 평가하기 위해 새로운 레드 팀 구성 데이터 세트인 RTVLM이 도입되었습니다. | 레드팀 |
| 2024년 1월 23일 | Lumiere: 비디오 생성을 위한 공간 공개 모델 | Lumiere는 비디오에서 사실적이고 일관된 모션을 합성하는 것을 목표로 하는 텍스트-비디오 확산 모델로 도입되었습니다. | 확산 모델 |
| 2024년 1월 22일 | WARM: 활동가용 모델의 장점 | 대규모 언어 모델에 대한 인간 피드백을 통한 강화 학습혻은 보상 해킹으로 이어질 수 있습니다. | 명령어 튜닝 |
| 2024년 1월 18일 | 자기소개서 모델 | 이 문서에서는 언어 모델 자체가 LLM-as-a-Judge 프롬프트를 통해 훈련 중에 보상을 제공하는 자기 보상형 언어 모델을 소개합니다. | 신속한 엔지니어링 |
| 2024년 1월 16일 | AlphaCodium을 사용하여 코드 생성: 활용도가 높은 엔지니어링까지 | AlphaCodium은 코드 작업에 맞춰진 테스트 기반, 다단계, 코드 지향 반복 흐름을 강조하는 대규모 언어 모델에 의한 코드 생성에 대한 새로운 접근 방식으로 제안되었습니다. | 코드 생성 |
| 2024년 1월 13일 | NLG 평가를 인용하는 기능 모델 활용: 설문조사 | 이 설문조사에서는 자연어 생성을 평가하기 위해 대규모 언어 모델을 활용하는 방법을 조사하고 기존 평가 지표를 구성하기 위한 포괄적인 분류 체계를 제공합니다. | 평가 |
| 2024년 1월 12일 | Johnny가 LLM을 이용하여 인간을 옥죄는 방법: LLM을 화하여 AI 안전에 힘쓰는 것에 대한 재고 | 본 논문에서는 대규모 언어 모델을 인간과 유사한 의사소통자로 간주하고 설득을 통해 탈옥하는 방법을 연구함으로써 AI 안전에 대한 새로운 관점을 탐구합니다. | 레드팀 |
| 2024년 1월 11일 | 응용 프로그램 시스템 설계 시 7개 실패 | 이 논문에서는 RAG(Retrieval Augmented Generation) 시스템을 통해 의미론적 검색 기능을 애플리케이션에 통합하는 방법을 탐구합니다. | 조각 |
|