BriefGPT - AI 论文速递 ·

多方目标跟踪与 LLMs：预训练、微调和提示工程比较

💡 原文中文，约500字，阅读约需2分钟。

📝

内容提要

本研究评估了大规模语言模型在多方对话中的能力，记录了29个医院中患者、陪伴者和社交机器人之间的对话，并进行了注释。GPT-3.5-turbo在少样本设置中表现最佳，正确注释了62.32%的目标跟踪对话和69.57%的意图-插槽识别对话。多方对话仍然是大规模语言模型的挑战。

🏷️

CocktailASR-1 开源：目标说话人识别更像一个工程问题了
小米开源CocktailASR-1，聚焦目标说话人语音识别：指定要识别的说话人后，模型只输出该人内容，而非还原全部声音，更贴近会议、车载、客服等场景。文章...
智能体AI微调：实用指南
智能体AI微调需同时优化四个关键环节：训练数据、参数高效微调、运行时超参数和偏好对齐。以客服工单分流智能体为例，工具调用数据集须严格校验格式，采用QLoR...
为分布式AI训练构建可靠的云原生基础
Atlassian将RDMA网络、Lustre存储、GPU调度与验证整合为统一平台以支持分布式AI训练。此前RDMA静默回退TCP导致多节点性能减半且难察...
NVIDIA把老师傅的判断变成了训练数据
NVIDIA与Palantir合作，将供应链规划师的决策依据、理由与结果写入Ontology，并微调约300亿参数的Nemotron小模型辅助GPU分配。...
通过WebAssembly在Cloudflare Workers上运行Perl/PAGI应用
开发者将Perl经zeroperl编译为WebAssembly，使其可在Cloudflare Workers运行，并加入PAGI支持，让现有Perl异步W...
One Decade of Rustls: Evolution, Benchmarks, and Future Roadmap
Rustls, a Rust TLS library, marks its decade-long progression from a grassr...