标签
llm
相关的文章：本列表汇集了关于大语言模型（LLM）的多篇文章，涵盖从API构建、实时流处理到对话意图分析等多个方面，帮助读者深入理解LLM的应用与挑战。
Anthropic recently released their Model Context Protocol (MCP), an open standard describing a protocol for integrating external resources and tools with LLM apps. The release includes SDKs...
Anthropic发布了模型上下文协议（MCP），旨在解决不同LLM与工具整合的问题。MCP提供标准协议，支持Python和TypeScript SDK，帮助开发者构建上下文感知的AI应用。它采用客户端-服务器架构，定义了JSON-RPC消息，支持多种功能，并提供示例和教程以便快速上手。
新南威尔士大学等机构构建了材料知识图谱（MKG），利用大型语言模型自动提取和清洗材料学文献中的知识。MKG包含丰富的材料属性和关系，能够预测材料在能源领域的应用，推动材料科学研究的发展。该研究已被NeurIPS 2024接收，展示了知识图谱在科学研究中的重要性。
本文研究了在自然语言下查询数据库系统与其他非结构化模态（如图像）的挑战，提出了XMODE系统，该系统支持可解释的多模态数据探索。通过利用基于大型语言模型（LLM）的人工智能框架，XMODE在文本到SQL生成和图像分析方面有效分解自然语言问题，实验结果显示其在准确性和性能指标上优于现有系统，为多模态信息系统的探索提供了新的解决方案。
本文探讨了自然语言查询数据库的挑战，提出了XMODE系统，支持可解释的多模态数据探索。XMODE利用大型语言模型，提高了文本到SQL生成和图像分析的准确性与性能，优于现有系统，为多模态信息探索提供了新方案。
本研究解决了当前大语言模型推理过程中的令牌使用效率的问题，提出了一种动态估计令牌预算的推理框架，以优化推理过程并减少成本。研究表明，该方法在降低令牌消耗的同时，仅轻微影响了性能，提供了在效率和准确性之间取得平衡的实际解决方案。
本研究提出了一种动态估计令牌预算的推理框架，旨在提高大语言模型的令牌使用效率，降低成本，并在仅轻微影响性能的情况下实现效率与准确性的平衡。
本研究解决了开源大型语言模型在数学推理方面的不足，尤其是在人类非英语语言中的表现。通过创新的课程学习和分解策略，逐步提升模式处理复杂算术的能力，我们的实验显示，WizardMath 7B在英语数据集上的准确率超越了Gemini，并在印地语数据集上表现相当。这表明采用双语方法可以有效提升开源LLM的数学推理能力。
本研究针对开源大型语言模型在数学推理方面的不足，提出了课程学习和分解策略。实验结果显示，WizardMath 7B在英语数据集上超越Gemini，在印地语上表现相当，表明双语方法有效提升数学推理能力。
本研究解决了现有排名框架在处理成对比较分析中的特定挑战。我们提出了一种统计框架，采用了改进的模型来更好地处理人类判断中的平局，同时考虑竞争者之间的协方差，使得性能关系更加清晰，并解决了参数唯一性带来的优化问题。通过严谨的评估，我们的框架在模型拟合和数据分析方面显著优于现有方法，并发布了一个开源Python包以支持实用性和可重现性。
本研究提出了一种改进的统计框架，解决了成对比较分析中的平局和协方差问题，优化了参数唯一性。评估结果表明，该框架在模型拟合和数据分析方面优于现有方法，并发布了开源Python包以支持实用性和可重现性。
本研究针对现有通用基准无法充分反映法律领域复杂认知和决策的问题，提出了一个专门的基准——LegalAgentBench。该基准结合真实法律场景的17个语料库和37个工具，构建了300个精心标注的任务，以多层次的方式评估LLM代理的性能，揭示当前模型的优缺点及其改进潜力。
本研究提出了LegalAgentBench基准，用于评估法律领域LLM代理的性能。该基准结合17个语料库和37个工具，构建了300个任务，揭示了模型的优缺点及改进潜力。
Introduction This is the second part of the work on writing a Go application to determine the number of tokens that a user sends to a LLM based on a chosen text. In the previous article I...
本文介绍了如何使用Golang编写应用程序，计算用户发送给LLM的文本中的token数量。代码通过Huggingface获取tokenizer列表，允许用户选择LLM和文本文件，旨在深入理解token计算的机制。
本研究针对大语言模型（LLM）中的幻觉问题，特别是那些未在训练中使用过的信息幻觉，进行深入分析。通过利用不同的内部状态，我们提出了 HalluRAG 数据集，以训练分类器并提升幻觉检测的准确性，结果表明，使用 HalluRAG 的多层感知机在最高可达 75%的测试准确率下有效识别幻觉，进一步揭示了不同类型提示的编码差异和潜在影响。
本研究针对用户模拟器在用户偏好建模不透明和模拟准确性评估不足的问题，提出了一种基于LLM的用户模拟器。该模拟器通过明确用户偏好的逻辑，并结合统计模型，提升了基于强化学习的推荐系统的训练效率和效果。实验结果显示，该模拟器能够生成高保真的训练数据，有效支持推荐算法的训练。
本研究提出了一种基于LLM的用户模拟器，旨在解决用户偏好建模不透明和模拟准确性不足的问题。该模拟器通过明确用户偏好逻辑和统计模型，提升了推荐系统的训练效率和效果，实验结果显示其能够生成高保真的训练数据。
正在访问的资源需要验证您是否真人。
或在微信中搜索公众号“小红花技术领袖”并关注
第二步：在公众号对话中发送验证码：