这篇文章介绍了一种名为“社交学习”的框架，用于在大型语言模型中以隐私保护的方式共享知识。作者评估了两种知识传递方法，通过生成抽象提示或合成示例来教授任务，并在多个数据集上进行了评估。结果表明，使用这些方法的性能与使用原始标签和提示的结果相当。这项工作证明了社交学习在语言模型中的可行性，并强调了尚未开发的领域的重要性。

这篇文章介绍了一种名为“社交学习”的框架，用于在大型语言模型中以隐私保护的方式共享知识。作者提出并评估了两种知识传递方法，并在多个数据集上进行了实验。结果表明，使用这些方法可以在降低隐私损失的同时保持性能。这项工作证明了社交学习在语言模型中的可行性，并强调了其在未来领域的重要性。

该研究介绍了一种在大型语言模型中实现“社交学习”的框架，通过自然语言以隐私保护的方式共享知识。研究者评估了生成抽象提示和生成合成示例两种知识传递方法，结果表明这些方法的性能与使用原始标签和提示的结果相当。研究证明了社交学习在大型语言模型中的可行性，并强调了尚未开发的领域的重要性。

谷歌DeepMind团队的研究发现，人工智能可以通过社交学习获取技能，无需使用人类数据。他们使用强化学习训练了一个代理，能够模仿新专家的行为。在物理模拟任务中，人工智能代理成功模仿人类解决导航问题，达到人类专家水平。