本文探讨了通过在线级联学习降低大规模语言模型推理成本的方法，提出了有效的模型选择和推迟策略，能够将成本降低90%。研究评估了LLM集成系统的机密性，发现现有防御策略缺乏泛化能力，并提出了鲁棒性微调方法以提高系统弹性。同时，强调了社交学习在LLM中的应用，展示了知识传递的有效性和隐私保护的重要性。

本文探讨了大型语言模型（LLMs）中的社交学习框架，提出了两种知识传递方法，并评估了其在多个数据集上的效果。研究表明，这些方法在隐私保护下有效传递知识，且性能与传统方法相当。此外，文章讨论了LLMs在机器翻译中的应用，强调了将LLMs与传统翻译系统结合的优势。

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。