闲记算法

本篇博文主要内容为 2025-02-17 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-17) 今日共更新411篇论文,其中: 自然语言处理共70篇(Computation and Language (cs.CL)) 人工智能共124篇(Artificial Intelligence (cs.AI)) 计算机视觉共82篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共144篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] MM-RLHF: The Next Step Forward in Multimodal ...

本篇博文主要内容为 2025-02-14 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-14) 今日共更新531篇论文,其中: 自然语言处理共89篇(Computation and Language (cs.CL)) 人工智能共159篇(Artificial Intelligence (cs.AI)) 计算机视觉共94篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共178篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] heoretical Benefit and Limitation of Diffusio ...

本篇博文主要内容为 2025-02-13 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-13) 今日共更新447篇论文,其中: 自然语言处理共61篇(Computation and Language (cs.CL)) 人工智能共133篇(Artificial Intelligence (cs.AI)) 计算机视觉共87篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共171篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] Utility Engineering: Analyzing and Controllin ...

本篇博文主要内容为 2025-02-12 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-12) 今日共更新592篇论文,其中: 自然语言处理共105篇(Computation and Language (cs.CL)) 人工智能共207篇(Artificial Intelligence (cs.AI)) 计算机视觉共117篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共265篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] DarwinLM: Evolutionary Structured Pruning o ...

本篇博文主要内容为 2025-02-11 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-11) 今日共更新943篇论文,其中: 自然语言处理共144篇(Computation and Language (cs.CL)) 人工智能共248篇(Artificial Intelligence (cs.AI)) 计算机视觉共185篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共316篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] Exploring the Limit of Outcome Reward for L ...

本篇博文主要内容为 2025-02-10 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-10) 今日共更新481篇论文,其中: 自然语言处理共111篇(Computation and Language (cs.CL)) 人工智能共156篇(Artificial Intelligence (cs.AI)) 计算机视觉共90篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共194篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] Joint MoE Scaling Laws: Mixture of Experts C ...

本篇博文主要内容为 2025-02-07 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-07) 今日共更新446篇论文,其中: 自然语言处理共64篇(Computation and Language (cs.CL)) 人工智能共107篇(Artificial Intelligence (cs.AI)) 计算机视觉共82篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共173篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] Ola: Pushing the Frontiers of Omni-Modal Lang ...

本篇博文主要内容为 2025-02-06 从Arxiv.org论文网站获取的最新论文列表，自动更新，按照NLP、CV、ML、AI、IR五个大方向区分，若需要邮件定时接收，请在评论区留下你的邮箱号。 说明：每日论文数据从Arxiv.org获取，每天早上12:00左右定时自动更新。 友情提示: 如何您需要邮箱接收每日论文数据，请在评论处留下你的邮箱。 目录 概览 自然语言处理CL 人工智能AI 机器学习LG 计算机视觉CV 信息检索IR 概览 (2025-02-06) 今日共更新445篇论文,其中: 自然语言处理共64篇(Computation and Language (cs.CL)) 人工智能共118篇(Artificial Intelligence (cs.AI)) 计算机视觉共65篇(Computer Vision and Pattern Recognition (cs.CV)) 机器学习共186篇(Machine Learning (cs.LG)) 自然语言处理 [NLP-0] Do Large Language Model Benchmarks Test Relia ...

论文介绍了26条指导原则，目标是简化为不同规模的大语言模型制定问题的概念，检验它们的能力，并增强用户对于不同规模的模型在接受不同提示时的行为理解。研究者在LLaMA-1/2（7B、13B和70B）和GPT-3.5/4上进行了广泛实验，以验证这些原则在指令和提示设计上的有效性。 论文中指出：大语言模型如ChatGPT在多个领域和任务中展现出卓越的能力，但在普通用户设计最优指令或提示时，它们的应用和使用有时可能并不清晰。而他们的工作是为开发人员或普通用户揭示与LLMs询问和交互时时“神秘的黑盒”，并通过简单地策划更好的提示来进一步提高预训练LLMs的响应质量。研究团队提出了26条用于LLM提示的原则，接下来让我们一起来看看吧～ 论文地址：https://arxiv.org/pdf/2312.16171.pdf 26条原则 不需要对LLM客气，因此无需使用诸如"请"，“如果您不介意”，“谢谢您”，"我想要"等短语，直接切入主题。 在提示中融入预期的受众群体，例如，假设受众是该领域的专家。 将复杂的任务拆分为一系列简单的提示，在交互式对话中逐步进行 ...

增加数据量和模型的参数量是公认的提升神经网络性能最直接的方法。目前主流的大模型的参数量已扩展至千亿级别，「大模型」越来越大的趋势还将愈演愈烈。 这种趋势带来了多方面的算力挑战。想要微调参数量达千亿级别的大语言模型，不仅训练时间长，还需占用大量高性能的内存资源。 为了让大模型微调的成本「打下来」，微软的研究人员开发了低秩自适应（LoRA）技术。LoRA 的精妙之处在于，它相当于在原有大模型的基础上增加了一个可拆卸的插件，模型主体保持不变。LoRA 随插随用，轻巧方便。 对于高效微调出一个定制版的大语言模型来说，LoRA 是最为广泛运用的方法之一，同时也是最有效的方法之一。 如果你对开源 LLM 感兴趣，LoRA 是值得学习的基本技术，不容错过。 上个月，我分享了一篇有关 LoRA 实验的文章，主要基于我和同事在 Lightning AI 共同维护的开源 Lit-GPT 库，讨论了我从实验中得出的主要经验和教训。此外，我还将解答一些与 LoRA 技术相关的常见问题。如果你对于微调定制化的大语言模型感兴趣，我希望这些见解能够帮助你快速起步。 简而言之，我在这篇文章中讨论的主要要点包含： 虽 ...