本文探讨了开源大型语言模型（LLMs）在知识产权和使用违规方面的误用问题，提出了水印蒸馏和后门水印的评估方法。研究表明，后门水印能有效检测违规行为，而水印蒸馏适用性广但会影响LLM性能，为未来水印技术的发展提供了方向。

本研究探讨了开源大型语言模型（LLMs）在德国肿瘤文档记录中的应用，旨在提高效率和可靠性。测试结果表明，7-12亿参数的模型在肿瘤诊断识别、ICD-10编码分配和首次诊断日期提取等任务中表现最佳，显示出在临床文档记录中的自动化潜力。

本研究探讨了开源大型语言模型（LLMs）在有效上下文长度不足的问题。通过引入ShifTed Rotray position embeddING（STRING）优化位置嵌入，显著提升了模型性能。实验结果表明，STRING在不额外训练的情况下，改善了模型在长上下文基准测试中的表现，创造了新的最优结果。

该研究提出了一种自适应模块响应演化（AMR-Evol）框架，旨在解决知识蒸馏中响应质量不足的问题。通过模块分解和响应演化，该框架显著提升了代码生成的蒸馏效果，实验结果显示在多个基准测试中性能得到有效提高，为开源大型语言模型的发展提供了新方向。

本研究探讨了开源大型语言模型（LLM）在科学实验自动化中的应用，特别是DARWIN系列。研究表明，AI科学家能够生成科学协议并独立进行实验，推动生物研究的效率和发现，生成符合顶级会议标准的论文，标志着科学发现的新纪元。

该研究探讨了开源大型语言模型（LLM）的敌对攻击方法，发现嵌入空间攻击能有效触发危险行为，并提出了新的威胁模型。研究表明，提示构建对模型决策有显著影响，微小变化也能改变输出。呼吁在发布前进行全面测试，以提高模型的安全性和对齐性。

本研究探讨了开源大型语言模型（LLMs）的安全性，提出了“Shadow Alignment”概念，揭示了安全对齐在不同NLP任务中的差异及其漏洞。研究表明，微调可能降低模型的安全性，现有安全措施不足以应对新风险，强调了加强安全对齐的重要性。

本文介绍了一种基于指令调整范式的方法，用于在金融环境中集成开源大型语言模型，为未来金融领域的研究奠定基础。

2022年底，ChatGPT发布引发了研究和商业领域的风潮。开源大型语言模型声称在某些任务上达到与ChatGPT持平或更好的结果。本研究全面概述了这一成就，并调查了所有开源大型语言模型的情况。