本研究探讨了大语言模型与小语言模型的协作，解决了部署成本和延迟问题，分析了交互机制及关键技术，强调了协作在高效人工智能构建中的潜力与未来挑战。

本研究提出G-Boost框架，旨在提升私有小语言模型在计算资源有限情况下的表现。通过与通用大语言模型协作推断，该框架显著提高了私有小语言模型的性能，实验结果显示其潜在影响巨大。

本研究针对自动化日志分析中小语言模型（SLMs）和大语言模型（LLMs）各自存在的成本与性能差距问题，提出了一种结合两者的自适应日志分析框架AdaptiveLog。该框架通过不确定性估计自适应选择性地调用LLM，从而在处理复杂日志时提高性能，同时保持成本效率。实验表明，AdaptiveLog在各种任务中实现了最先进的效果，提升了日志分析的整体准确性。

本研究解决了移动UI代理对强大语言模型的需求，带来了用户隐私和服务成本问题。通过将UI任务转化为代码生成，自动构建API文档并生成任务样本，显著提升了移动任务自动化的成功率和效率。

本研究探讨了较小语言模型（SLMs）在指令调优中的潜力，发现其能够合成更有效的指令并生成多样的指令变体，同时提出了IC-IFD指标以提升指令数据的有效性评价。

本文介绍了GAOKAO-Benchmark，利用中国高考问题评估大型语言模型。研究发现ChatGPT在客观题上表现优异，但也暴露了其不足，为未来的评估提供了基础和见解。

研究小语言模型在训练后期性能下降的问题，分析Pythia模型的训练动态，发现小模型层收敛速度慢且不稳定，尤其在参数有效秩低时。研究提供了提高小模型学习效率的新方法。

本文介绍了一种基于大型语言模型的方法，用于回答复杂问题中的数字推理。该方法使用新颖的零样本提示，通过编码到程序中执行，显著提高了准确性。实验证明零样本提示在领域特定数值推理中具有巨大潜力。

该研究提出了一种通过协作教授多个大型语言模型（LLM）的方法。通过在标记级别交替生成，模型可以自动学习何时生成自己，并在需要时调用其他语言模型进行生成。该方法在跨领域设置中特别有用，并展示了联合系统的性能优于单个模型。通过定性分析，研究还展示了模型呈现了几种有趣的协作模式。

本文研究了使用大型语言模型作为HRI的0模型的潜力，并在三个社交数据集上进行了实验。结果显示LLMs能够实现与定制模型相当的性能，同时还讨论了当前的限制。展示了LLM人类模型如何集成到社交机器人的规划过程中并应用于HRI场景。结果表明LLMs为HRI的人类建模提供了一种有前途但不完整的方法。

本文介绍了一种名为Debiasing Contrastive Learning (DCT)的NLU去偏置方法，通过对比学习缓解编码偏置潜在特征和偏置影响的动态性。实验结果显示，DCT在保持分布内性能的同时，在分布之外的数据集上表现出色，并减少了模型表示中的偏置潜在特征。

小型语言模型通过知识蒸馏、量化和剪枝等技术，具有高效性和多功能性。它们在物联网、个性化内容推荐、医疗诊断和教育工具等领域有广泛应用。然而，小型语言模型需要进一步优化和微调以应对信息丢失和性能下降的挑战。随着模型压缩算法和硬件优化技术的进步，小型语言模型在实现人工智能民主化方面具有巨大潜力。

微软新的小语言模型Phi-3-mini性能强大，只有30亿个参数，但能在各种任务中提供一流的结果。Phi-3-mini由Microsoft开发并在MIT许可下开源，对于想要探索大型语言模型的人来说是一个可靠且易于访问的选择。测试者表示Phi-3-mini在常识、地理、代码生成、推理和常识方面表现良好。它的大小适合在小树莓派上独立运行，也适合在智能手机上使用。

苹果发布了开源微语言模型OpenELM，具有开源训练和推理框架，采用分层缩放策略提高准确性。发布了多个参数模型，包括270M、450M、1.1B和3B。与微软的Phi-3-mini相比，OpenELM 3B在竞赛中表现出更好的性能。