Investigating the Potential of Using Large Language Models for Scheduling
Mercari
本文研究 LLM 在会议节目调度中的应用,结合零样本学习、整数规划与论文相似度衡量,发现仅凭标题的 LLM 聚类比 TFIDF 使用标题和摘要更接近人工分类,并公开了代码。
2024-06-04 cs.AI cs.LG
Automated Paper Screening for Clinical Reviews Using Large Language Models
Cumming School of Medicine, University of Calgary(卡尔加里大学卡明医学院);Temerty Faculty of Medicine, University of Toronto(多伦多大学特默蒂医学院)
本研究提出基于OpenAI GPT API的临床综述论文自动筛选工作流,在6篇综述超24000条数据上实现0.91的准确率,可辅助提升临床综述效率与质量。
2023-05-01 cs.AI cs.CL
BiblioPage: A Dataset of Scanned Title Pages for Bibliographic Metadata Extraction
Faculty of Information Technology, Brno University of Technology(布尔诺理工大学信息技术学院)
针对书目元数据手动数字化耗时且缺乏专用数据集的问题,本文提出BiblioPage数据集,包含约2000个扫描标题页及16个属性标注,并评估了目标检测与视觉大模型,最佳F1达67,为文档理解提供基准。
2025-03-25 cs.AI cs.CV cs.LG
Clickbait Classification and Spoiling Using Natural Language Processing
本文利用NLP技术处理标题党分类与剧透任务,提出二元分类器进行类型分类,并对比问答模型与LLM生成剧透的方法,分类模型优于基线而生成剧透受评估指标限制表现不佳。
2023-06-16 cs.CL
Fine-Tuning A Large Language Model for Systematic Review Screening
University of Florida(佛罗里达大学)
本文通过微调大型语言模型提升系统综述中文献筛选效率,实验显示微调模型在F1分数和与人类评分者的一致性上显著优于基础模型。
2026-03-25 cs.CL
VacancySBERT: the approach for representation of titles and skills for semantic similarity search in the recruitment domain
Odessa I. I. Mechnikov National University(敖德萨伊·伊·梅奇尼科夫国立大学);FH JOANNEUM University of Applied Sciences(FH JOANNEUM应用科技大学)
本文提出 VacancySBERT,通过基于共现信息适配预训练语言模型进行语义相似度搜索,实现招聘广告中职位名称与技能的匹配及归一化,相比基线模型在 Recall 指标上取得显著提升。
2023-07-31 cs.CL
Leveraging LLMs for Title and Abstract Screening for Systematic Review: A Cost-Effective Dynamic Few-Shot Learning Approach
Duke University(杜克大学);National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);Duke University School of Medicine(杜克大学医学院);Duke Clinical Research Institute(杜克临床研究所)
本文提出一种动态少样本学习方法,利用低成本和高性能LLM进行系统综述的标题和摘要筛选,以提高效率并降低成本。
2025-12-12 cs.CL
The language of time: a language model perspective on time-series foundation models
College of Computer Science and Artificial Intelligence, Fudan University(计算机科学与人工智能学院,复旦大学);Shanghai Key Laboratory of Data Science(上海数据科学重点实验室);ZCTech;School of Mathematics and Statistics, Beijing Institute of Technology(数学与统计学学院,北京理工大学)
本文从语言模型视角揭示基于分块的时间序列基础模型通过将连续分块量化为类自然语言的离散词汇表,从而继承大语言模型的表示与迁移能力,并据此解释其跨领域泛化悖论。
2025-06-29 cs.AI cs.CL cs.LG
Heterogeneous Scientific Foundation Model Collaboration
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出Eywa框架,通过将语言模型与领域特定基础模型结合,提升科学领域多模态任务的推理能力,实验显示其在结构化数据任务中表现更优。
2026-04-30 cs.AI cs.CL cs.LG
Evaluating Research Quality with Large Language Models: An Analysis of ChatGPT's Effectiveness with Different Settings and Inputs
University of Sheffield(谢菲尔德大学)
本文研究了ChatGPT在不同输入(全文、标题摘要、仅标题)和模型设置下评估学术文章质量的有效性,发现标题和摘要为最优输入,其评分与人类评分相关性达0.67,且线性回归转换可提升准确性。
2024-11-29 cs.AI cs.DL
Scope of Large Language Models for Mining Emerging Opinions in Online Health Discourse
Dartmouth College(达特茅斯学院)
该研究提出LLM驱动的在线健康社区新兴观点挖掘框架,将其建模为Reddit帖文标题-评论对的成对立场检测问题,发布长新冠主题的LC-stance数据集,验证GPT-4零样本立场检测性能更优,并分析模型误差来源。
2024-03-05 cs.CL cs.SI
The Shaky Foundations of Clinical Foundation Models: A Survey of Large Language Models and Foundation Models for EMRs
Stanford University(斯坦福大学);Stanford University School of Medicine(斯坦福大学医学院);Stanford Health Care(斯坦福医疗保健)
ChatGPT和AlphaFold等基础模型的成功激发了人们对构建类似的电子病历(EMR)模型以改善患者护理和医院运营的极大兴趣。然而,最近的炒作掩盖了我们对这些模型能力的理解的关键差距。我们回顾了80多个在非成像EMR数据(即临床文本和/或结构化数据)上训练的基础模型,并创建了一个描述其架构、训练数据和潜在用例的分类。我们发现,大多数模型都是在小的、范围狭窄的临床数据集(例如MIMIC-III)或广泛的、公共的生物医学语料库(例如PubMed)上训练的,并且在对它们对卫生系统的有用性没有提供有意义的见解的任务上进行评估。鉴于这些发现,我们提出了一个改进的评估框架,用于衡量临床基础模型的好处,更紧密地扎根于医疗保健中的重要指标。
2023-03-24 cs.AI cs.LG
Ignore This Title and HackAPrompt: Exposing Systemic Vulnerabilities of LLMs through a Global Scale Prompt Hacking Competition
University of Maryland(马里兰大学);Mila(米拉研究所);Stanford(斯坦福大学);Technical University of Sofia(索非亚技术大学);University of Milan(米兰大学);NYU(纽约大学);University of Arizona(亚利桑那大学)
研究通过全球提示词黑客竞赛收集 60 万余条对抗性提示词,验证了三个先进 LLM 的提示注入与越狱漏洞,并构建了对抗性提示词分类体系。
2024-03-03 cs.AI cs.CL cs.CR
Foundations of Large Language Model Compression -- Part 1: Weight Quantization
本文从凸优化视角提出LLM权重量化框架CVXQ,支持训练后压缩至任意模型规模,并可扩展至数千亿参数模型。
2024-10-03 cs.CL cs.LG
Generative Retrieval with Preference Optimization for E-commerce Search
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
针对电商搜索中标题生成难、噪声、长尾及可解释性问题,提出偏好优化生成式检索框架,利用多跨度标识符、点击偏好对齐和约束束搜索提升检索与转化效果。
2024-10-25 cs.AI cs.IR
Architectural Foundations for the Large Language Model Infrastructures
本文探讨LLM基础设施、软件和数据管理的复杂格局,分析核心组件,强调关键考虑因素与保障措施,为构建稳健有效的LLM基础设施提供挑战与策略的综合见解。
2024-08-21 cs.AI cs.CL
OWL: Probing Cross-Lingual Recall of Memorized Texts via World Literature
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Maryland, College Park(马里兰大学帕克分校);Microsoft(微软)
本文通过世界文学数据集OWL探究LLMs的跨语言记忆,发现模型能跨语言召回内容,GPT-4o在新翻译中识别作者和标题达69%。
2025-10-07 cs.AI cs.CL
Automatic Generation of Titles for Research Papers Using Language Models
Jadavpur University(贾达沃尔大学);Indian Association for the Cultivation of Science(印度科学培养协会)
提出利用预训练语言模型和大语言模型从摘要生成论文标题的方法,通过微调PEGASUS-large在多个数据集上取得最优性能。
2026-06-03 cs.AI cs.CL
How to Index Item IDs for Recommendation Foundation Models
Rutgers University(罗格斯大学)
本文针对推荐基础模型的物品标识问题,以 P5 为骨干分析简单索引缺陷,并提出顺序、协同、语义与混合四类索引方法,验证其可提升 LLM 推荐效果。
2023-09-26 cs.AI cs.CL cs.IR
Elsevier Arena: Human Evaluation of Chemistry/Biology/Health Foundational Large Language Models
该论文原聚焦化学、生物与健康领域基础大语言模型的人类评估,当前版本因提交者无许可授权已被arXiv管理员移除。
2024-09-17 cs.AI cs.CL
Communication Bias in Large Language Models: A Regulatory Perspective
University of Hong Kong(香港大学);TU Berlin(柏林工业大学);Weizenbaum Institute(魏森鲍姆研究所)
本文从监管视角审视大型语言模型中的沟通偏差,强调在欧盟AI法案等框架外,需加强竞争与设计治理以保障公平可信的AI。
2025-09-25 cs.AI cs.CL cs.CY
Streamlining Systematic Reviews: A Novel Application of Large Language Models
American University of Beirut(贝鲁特美国大学)
本文提出基于LLM的系统,结合提示工程与RAG自动完成系统评价的标题/摘要及全文筛查,在14,439篇文献上实现零漏检并减少95.5%人工筛查时间。
2024-12-14 cs.CL cs.IR
Measuring Digital Labour Market Transitions with a Digital Semantic Score: An AI-Based Methodology Applied to the Dutch Labour Market
该研究开发AI方法,结合嵌入相似性搜索与大语言模型分类,提出数字语义分数,分析荷兰劳动力市场数字化的不均分布、职业转型路径及数字能力多维性,为相关政策提供支撑。
2026-09-21 cs.CL
CARTS: Collaborative Agents for Recommendation Textual Summarization
本文提出CARTS多智能体大语言模型框架,通过生成增强生成、精炼循环和仲裁三阶段协作生成推荐系统商品标题,实验表明其显著优于单次生成和思维链基线,提升了标题相关性与用户参与度。
2025-07-01 cs.AI cs.IR
Pron vs Prompt: Can Large Language Models already Challenge a World-Class Fiction Author at Creative Text Writing?
School of Computer Science, UNED, Madrid, Spain(计算机科学学院,UNED,马德里,西班牙);Faculty of Education, UCM, Madrid, Spain(教育学院,UCM,马德里,西班牙);Faculty of Philosophy, UNED, Madrid, Spain(哲学学院,UNED,马德里,西班牙)
本文通过让获奖小说家 Patricio Pron 与 GPT-4 进行标题创作和短篇小说写作竞赛,并由文学专家依据 Boden 创造力定义进行人工评估,发现当前 LLMs 仍远未达到顶尖人类创意写作水平,且仅靠扩大模型规模难以实现这一目标。
2024-10-28 cs.AI cs.CL
Understanding LLMs in Title-Abstract Screening: From Disagreements to Recommendations
University of Helsinki, Finland(赫尔辛基大学,芬兰);UFMS, Brazil(巴西UFMS);UTFPR – Federal University of Technology - Paraná, Brazil(巴西UTFPR – 法定技术大学-帕拉那);LUT University, Finland(芬兰LUT大学);Northern Arizona University, United States(美国北亚利桑那大学);UFAM, Brazil(巴西UFAM)
本研究通过定性分析LLM与人类在系统综述标题-摘要筛选中的分歧原因,提出改进建议,如验证语义理解、使用多个LLM和关注边界案例。
2026-06-17 cs.AI cs.SE
Visual Clues: Bridging Vision and Language Foundations for Image Paragraph Captioning
Microsoft(微软)
人们说:“一张照片胜过千言万语。那么我们怎样才能从图像中提取出丰富的信息呢?我们认为,通过使用视觉线索来桥接大型预训练视觉基础模型和语言模型,我们可以在没有任何额外的跨模态训练的情况下做到这一点。由于基础模型强大的zero-shot能力,我们首先构建图像的丰富语义表示(例如,图像标签、对象属性/位置、标题)作为结构化的文本提示,称为视觉线索,使用视觉基础模型。基于视觉线索,使用大语言模型对视觉内容进行一系列综合描述,然后再次通过视觉模型进行验证,选出与图像最匹配的候选项。我们通过定量和定性测量来评估生成的描述的质量。结果表明,这种结构化的语义表示的有效性。
2022-09-14 cs.AI cs.CL cs.CV
AISysRev -- LLM-based Tool for Title-abstract Screening
University of Helsinki(赫尔辛基大学);LUT University(拉赫蒂理工大学)
AISysRev 是一个基于大语言模型的标题-摘要筛选工具,通过容器化Web应用实现自动化筛选,支持多种LLM模型,减少文献评估负担,但需人类干预处理边界情况。
2026-04-17 cs.AI cs.SE
Netflix Artwork Personalization via LLM Post-training
Stanford University(斯坦福大学)
通过LLM后训练实现Netflix作品个性化推荐,提升用户满意度和参与度。
2026-08-27 cs.AI cs.IR
RecipeGPT: Generative Pre-training Based Cooking Recipe Generation and Evaluation System
Singapore Management University(新加坡管理大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在过去的几年里,由于大量的在线烹饪食谱,人们对烹饪食谱自动生成的兴趣一直在稳步增长。我们提出RecipeGPT,一种新的在线配方生成和评价系统。该系统提供两种文本生成模式:(1)根据给定的食谱标题和配料生成指令;(2)根据食谱标题和烹饪指令生成配料。其后端文本生成模块包括一个生成的预训练语言模型GPT-2,该模型在大型烹饪食谱数据集上进行了微调。此外,配方评估模块允许用户方便地检查所生成的配方内容的质量并存储结果以供将来参考。RecipeGPT可以在https://recipegpt.org/上在线访问。
2020-03-05 cs.CL cs.IR cs.LG
Language-Pretraining-Induced Bias: A Strong Foundation for General Vision Tasks
MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文提出随机标签桥梁训练方法,通过模态适应学习有效对齐大语言模型参数与视觉任务,揭示部分桥梁训练在视觉任务中的优势。
2026-04-03 cs.CL cs.CV cs.LG
Learn and Don't Forget: Adding a New Language to ASR Foundation Models
ALTA Institute, Machine Intelligence Lab, Department of Engineering, Cambridge University, UK
研究向ASR基础模型添加新语言同时保持原语言性能的方法,比较了软语言代码调优、软提示调优、LoRA和EWC等策略,发现直接微调效果最好但有损原语言能力,EWC能针对特定语言平衡此问题,仅用适应参数可维持原能力但新语言性能受限。
2024-09-24 cs.CL cs.LG cs.SD
A Comprehensive Survey of Hallucination in Large Language, Image, Video and Audio Foundation Models
Indian Institute of Technology Patna(印度理工学院巴特那分校);Stanford University(斯坦福大学);Amazon GenAI(亚马逊生成式人工智能部门)
本文系统综述了语言、图像、视频和音频基础模型中的幻觉问题,提出涵盖定义、分类与检测策略的统一框架,并总结各模态下检测与缓解幻觉的最新方法,为多模态基础模型的可靠性研究奠定基础。
2024-10-03 cs.AI cs.CL cs.CV
FLAVA: A Foundational Language And Vision Alignment Model
Facebook AI Research (FAIR)(脸书人工智能研究院)
最先进的视觉和视觉与语言模型依赖于大规模的神经语言预训练,以在各种下游任务上获得良好的性能。一般来说,这些模型通常是跨模态(对比)或多模态(早期融合),但不是两者兼而有之;它们通常只针对特定的模态或任务。一个有希望的方向是使用一个单一的整体通用模型作为“基础”,它同时针对所有模态--一个真正的视觉和语言基础模型应该擅长视觉任务、语言任务以及跨模态和多模态的视觉和语言任务。我们介绍FLAVA作为这样一个模型,并展示了令人印象深刻的性能在广泛的35个任务跨越这些目标的方式。
2022-03-29 cs.CL cs.CV
LLMic: Romanian Foundation Language Model
University Politehnica of Bucharest(布加勒斯特理工大学);Broadcom Inc.(博通公司)
针对低资源语言罗马尼亚语的开源大模型表现不佳的问题,研究团队构建了专门的双语基础模型LLMic,完整记录预训练流程,实验证明其经微调后效果可比肩更大规模开源模型,英罗翻译表现超现有方案。
2025-01-13 cs.CL
FIRE: Food Image to REcipe generation
Information Sciences Institute(信息科学研究所);University of Southern California(南加州大学)
针对食物计算中图像生成食谱的需求,本文提出多模态方法FIRE,结合BLIP、Vision Transformer与T5模型生成食谱,可支持食谱定制与自动化烹饪,实验验证了其有效性。
2024-05-12 cs.CL cs.CV
Multi-lingual neural title generation for e-Commerce browse pages
MT Science Team(机器翻译科学团队);eBay(亿贝)
为了更好地向买家提供库存访问和更好的搜索引擎优化,电子商业网站自动生成数百万个易于搜索的浏览页面。浏览页面由给定类别中的一组槽名称/值对组成,对共享某些特征的多个项目进行分组。这些浏览页面需要一个描述页面内容的标题。由于浏览页面的数量巨大,手动创建这些标题是不可行的。以前的统计和神经方法严重依赖于语言中大量数据的可用性。在这项研究中,我们应用序列到序列模型,通过利用迁移学习来生成高资源和低资源语言的标题。我们在多语言数据上训练这些模型,从而创建一个可以生成各种不同语言标题的联合模型。标题生成系统的性能进行了评估三种不同的语言:英语,德语和法语,特别是对低资源的法语。
2018-04-03 cs.CL
Evaluating the Performance of LLMs on Technical Language Processing tasks
本文以CFR第47篇为上下文评估多款聊天式LLM回答电信法规问题的能力,为自动化理解无线频谱治理信息、支持动态频谱接入提供性能依据。
2024-03-21 cs.CL cs.IR
The Sociolinguistic Foundations of Language Modeling
University of Birmingham(伯明翰大学)
该研究从社会语言学视角出发,提出大语言模型本质是语言变体模型,给出语言变体的技术定义,探讨其对解决语言建模五大挑战的作用,强调构建适配语言变体的训练语料对提升模型性能与社会价值的关键意义。
2024-07-12 cs.CL
Open foundation models for Azerbaijani language
The George Washington University(乔治·华盛顿大学);Baku Higher Oil School(巴库高等石油学校);Microsoft(微软公司);New York University(纽约大学)
本文针对阿塞拜疆语缺乏系统性基准测试的问题,提出了包含大型语料库、编码器模型、标注数据集及全面评估的开源基础模型工作,以推动该语言的开源模型应用。
2024-08-19 cs.CL
Measuring Gender Bias in Job Title Matching for Grammatical Gender Languages
Avature Machine Learning(阿瓦图尔机器学习)
本研究提出基于RBO的性别控制排名比较指标,构建四种语法性别语言的职位匹配测试集,评估多语言模型并揭示其普遍存在的性别偏见。
2025-09-17 cs.CL
Foundation Models for Low-Resource Language Education (Vision Paper)
University of Georgia(佐治亚大学)
本文展望 LLM 与多语言基础模型如何克服低资源语言的数据、文化及教育资源限制,通过社区驱动学习和数字平台等实际应用改善相关教育。
2024-12-06 cs.CL
GigaAM Multilingual: Foundation Model for Underrepresented Languages
SaluteDevices, Russia(SaluteDevices)
针对多语言ASR中长尾语言数据稀缺问题,提出GigaAM Multilingual,用Conformer编码器在大量音频上预训练,预训练时引入聚类级数据平衡策略,微调时采用领域感知采样方法,在目标语言上优于其他编码器,发布相关模型提供多语言适应方法。
2026-07-14 cs.CL eess.AS
Differences in the Moral Foundations of Large Language Models
针对大语言模型伦理判断特性不透明、对齐研究未充分结合道德心理学成果的问题,本研究基于道德基础理论测试多款主流大模型,发现模型间及模型与人类基准的道德基础存在差异且随能力提升而增大,呼吁开展相关后续研究与政策考量。
2025-11-14 cs.AI cs.CY
Vision-and-Language Navigation Today and Tomorrow: A Survey in the Era of Foundation Models
Michigan State University(密歇根州立大学);University of Michigan(密歇根大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Adelaide(阿德莱德大学)
本文综述了基础模型时代视觉与语言导航的研究现状,提出具身规划与推理框架,梳理当前方法并展望基础模型在该领域的未来机遇。
2024-12-29 cs.CL cs.CV
Multilingual Gloss-free Sign Language Translation: Towards Building a Sign Language Foundation Model
Institute of Science Tokyo(东京科学大学);NHK Science & Technology Research Laboratories(日本广播协会科学技术研究所)
针对多语言手语翻译中语言冲突与对齐困难的问题,提出一种基于双重 CTC 目标的多语言无词汇表模型,支持 10 种手语并处理多种翻译任务,在三大基准上取得与最先进方法相媲美的性能。
2025-05-30 cs.CL
VFM-VLM: Vision Foundation Model and Vision Language Model based Visual Comparison for 3D Pose Estimation
Dept. of Electronic Engineering Yeungnam University Advanced Visual Intelligence Lab(电子工程系 韩国又南大学 高级视觉智能实验室)
本文比较了基于CLIP和DINOv2的视觉模型在3D姿态估计中的性能,展示了两者在语义理解和几何精度上的互补优势,为机器人抓取应用提供了模型选择依据。
2025-12-09 cs.AI cs.CV
Improving Medical Report Generation with Adapter Tuning and Knowledge Enhancement in Vision-Language Foundation Models
Peng Cheng Lab(鹏城实验室)
本文基于 BLIP-2 引入适配器微调与医学知识增强损失,在 ImageCLEFmedical 2023 上以 ROUGE、CIDEr 的显著提升实现低资源医学报告生成的最优平均性能。
2023-12-07 cs.AI cs.CE cs.CV
Is it Required? Ranking the Skills Required for a Job-Title
Utrecht University(乌得勒支大学);TechWolf;Ghent University(根特大学)
在本文中,我们描述了我们的方法排名所需的技能,为一个给定的职位。我们的分析表明,重要/相关技能在类似的职位中出现得更频繁。我们训练一个与存储无关的BERT语句编码器(LaBSE)模型,以预测使用弱监督的技能的重要性。我们证明了该模型可以学习技能的重要性,并在其他语言中表现良好。此外,我们展示了技能的逆文档频率因子如何提高专业技能。
2022-11-28 cs.CL
ArxEval: Evaluating Retrieval and Generation in Language Models for Scientific Literature
ArxEval提出基于ArXiv的两任务评估流程,衡量十五个语言模型在科学文献生成中的幻觉频率,以比较其可靠性。
2025-01-22 cs.AI cs.CL
Unveiling factors influencing judgment variation in Sentiment Analysis with Natural Language Processing and Statistics
Universidade da Coruña(拉科鲁尼亚大学);University of Augsburg(奥格斯堡大学)
本研究以西班牙语TripAdvisor评论为对象,利用单词标题和统计检验分析词性、情感词与中性词对众包极性判断差异的影响,发现形容词和情感词可降低差异、中性词提高差异,但该效应在长标题中未必复现。
2024-05-20 cs.CL
TalentCLEF at CLEF2026: Skill and Job Title Intelligence for Human Capital Management
Avature Machine Learning(阿瓦图尔机器学习公司);NLP & IR Group at UNED(西班牙国立远程教育大学自然语言处理与信息检索组)
TalentCLEF挑战赛第二版作为CLEF 2026评估实验室,旨在推动HCM领域NLP发展。今年设两项任务,任务A是情境化职位与人匹配,任务B是带技能类型分类的职位与技能匹配,通过建立公共基准促进相关系统和方法发展。
2026-07-23 cs.CL
Variational Language Concepts for Interpreting Foundation Language Models
Rutgers University(罗格斯大学)
针对基础语言模型现有注意力权重解释仅停留在词层面、缺乏可读性的问题,提出变分语言概念(VALC)变分贝叶斯框架,实现概念层面的可解释性,经理论与多数据集实验验证有效。
2024-10-28 cs.AI cs.CL cs.LG
LLaMA: Open and Efficient Foundation Language Models
Meta AI
我们介绍LLaMA,一个集合的基础语言模型,从7 B到65 B的参数。我们在数万亿个令牌上训练我们的模型,并表明完全可以使用公开的数据集来训练最先进的模型,而无需求助于专有和不可访问的数据集。特别是,LLaMA-13 B在大多数基准测试中的表现优于GPT-3(175 B),LLaMA-65 B与最好的模型Chinchilla-70 B和PaLM-540 B竞争。我们将所有的模型发布给研究界。
2023-02-27 cs.CL