XiaoMi-AI文件搜索系统
World File Search SystemLLMS
利用法学硕士学位变革金融
近年来，像 ChatGPT 这样的大型语言模型 (LLM) 取得了长足的进步，并已应用于各个领域。这些模型基于 Transformer 架构，在大量数据集上进行训练，使它们能够有效地理解和生成人类语言。在金融领域，LLM 的部署正在获得发展势头。这些模型被用于自动生成财务报告、预测市场趋势、分析投资者情绪以及提供个性化的财务建议。利用其自然语言处理能力，LLM 可以从大量金融数据中提取关键见解，帮助机构做出明智的投资选择，并提高运营效率和客户满意度。在本研究中，我们全面概述了 LLM 与各种金融任务的新兴集成。此外，我们通过结合自然语言指令对多个金融任务进行了整体测试。我们的研究结果表明，GPT-4 能够在各种金融任务中有效地遵循提示指令。这项对金融领域法学硕士学位的调查和评估旨在加深金融从业者和法学硕士研究人员对法学硕士学位在金融领域当前作用的理解，发现新的研究和应用前景，并强调如何利用这些技术解决金融行业的实际挑战。
用LLMS革新医疗保健
最近的作品探索了用于医疗保健中各种任务的大型语言模型（LLM），结果令人印象深刻。例如，使用Llama（大语言模型META AI）模型对医学文献进行微调，在生物医学质量检查数据集上获得了有希望的结果。LLM在公共卫生和临床任务中的其他应用涉及对几项预测任务进行电子健康记录的培训，而预培训的版本已用于心理健康分析，使用社交媒体进行情感检测。其中一些已将临床准则实施到LLM中以进行决策支持，而Chatgpt和BiomedLM已用于个性化肿瘤学。除了决策和文档外，LLM的应用包括通过问答系统，医疗聊天机器人和虚拟健康助理与患者的互动。他们甚至被应用于分析可穿戴设备的时间序列健康数据，以进行活动识别和健康监测等任务。尽管具有潜力，但LLMS还提出了有关医疗保健领域可靠性和透明度的非常重要的挑战。这些模型可能会在没有彻底验证的情况下产生不正确的医疗信息，这可能导致严重的误诊和治疗错误，通常会产生深度，推理和来源透明度的反应。
LLMS中的图像理解
项目描述。大型语言模型（LLMS）的令人印象深刻的成功引发了管理多种方式以外的多种方式的需求。结果，已经出现了大型多模型（LMM），例如GPT-4V，GEMINI，DEEPSEEK-VL和QWEN2-VL。这些模型可以理解涉及视觉和语言的说明并采取行动，即，它们使用户能够上传图像并与LLM讨论。原则上，多模式变压器（例如剪辑和碎片）旨在处理文本和图像输入。这些模型在关节空间中处理视觉和文本数据。这使他们可以理解文本并将其连接到视觉表示。一般框架如下：i）图像特征首先是通过视觉变压器（例如VIT）提取的，该vit将视觉数据转换为嵌入，ii）文本输入由语言模型处理，该模型将文本模型转换为自己的嵌入，然后iiii iii）通过共享的变压器结构或通过交叉说明机构将两个嵌入式处理在一起。但是，有一些架构细节将这些模型彼此区分。
与 Pinky and the Brain 合作的 NLP 法学硕士
IBM Watson Assistant Google DialogFlow Microsoft Bot Framework 和 Power Virtual Agents FaceBook Wit.AI
使用LLM进行市场研究
3虽然Openai现在有一个候补名单，用于使用新型号进行实验性微调，但推荐的且广泛可用的微调模型仍然是GPT-3.5 Turbo。4的GPT-3.5涡轮增压器的API呼叫成本为（100万令牌）：输入令牌：0.50美元，输出令牌$ 1.50，而GPT-4O分别为：5美元和15美元。微调令牌成本明显更高：输入：$ 3，输出：6美元，而微调模型的费用仅为100万培训令牌的$ 8。5“幻觉”是用来描述LLM会产生不正确信息的案例的术语，当通过基于聊天的界面或LLM-aughted搜索使用LLM时，通常很感兴趣。因为我们没有向GPT查询事实，所以我们认为幻觉对我们的研究问题至关重要。
使LLM民主化，增强可持续性...
用户可以为关键信息添加书签 - 在短短两周内，它引起了开发人员和研究人员的关注。与其他型号相比，Vicuna较小的碳足迹和较低的内存要求使其成为可持续内容生成的有吸引力的选择。在这两种创新的模型上，蒂莫西·鲍德温（Timothy Baldwin），代理教务长，学术事务副教务长，MBZUAI的NLP教授说：“为了使LLMS民主化，MBZUAI大胆地扩大了语言可及性的范围，从而促进了新时代的新时代，从而通过创造开放的新时代的途径来促进新时代。JAI的发展是LLM包含阿拉伯语的人的一个里程碑，以及创新的Vicuna模型，以其负担能力而闻名，从而为无数公司启动其语言旅程的道路，在这个方向上作为全球信徒们共鸣。”
对批判性推理的基准测试LLM
大语言模型（LLM）批评和完善推理的能力对于他们在评估，反馈提供和自我完善中的应用至关重要。本文介绍了C ritic B Ench，这是一个综合基准，旨在评估LLMS批评和纠正其跨各种任务的推理的能力。c ritic b ench包括五个推理领域：数学，commensense，象征性，编码和算法。它编译了15个数据集，并结合了来自三个LLM家族的重音。利用C ritic b ench，我们评估和剖析了17个LLM在生成，批评和校正推理中的表现，即GQC推理，并分析影响LLM批判性推理的关键因素。我们的发现揭示了：（1）GQC能力中的线性关系，以批判性的训练显着增强了表现； （2）依赖于任务和校正效率的任务变化，面向逻辑的任务更适合纠正； （3）随着模型大小增加而减小的GQC知识不一致； （4）一种有趣的模型间批判模式，在批评较弱的模型方面，更强大的模型更能更好，而较弱的模型可以超越其自我评价中的更强的模型。我们希望这些对LLM的细微批评的见解将进一步促进LLM批评和自我改善1。
llms用于药物相互作用预测
现代治疗方案中药物组合的增加需要可靠的方法来预测药物相互作用（DDIS）。虽然大型语言模型（LLMS）已重新提到了各个领域，但它们在药物研究中的潜力，尤其是在DDI预测中，仍然在很大程度上没有探索。这项研究通过唯一处理分子结构（微笑），靶生物和基因相互作用数据作为最新药品库数据集的原始文本输入来彻底研究LLMS在预测DDI方面的能力。我们评估了18种不同的LLM，包括专有模型（GPT-4，Claude，Gemini）和开源变体（从1.5B到72B参数），首先评估其在DDI预测中的零击功能。然后我们微调选定的模型（GPT-4，PHI-3.5 2.7b，QWEN-2.5 3B，GEMMA-2 9B和DEEPSEEK R1蒸馏QWEN 1.5B），以优化其性能。我们的全面评估框架包括对13个外部DDI数据集进行验证，并与传统方法（例如L2登记的逻辑回归）进行了比较。微型LLMS表现出卓越的性能，PHI-3.5 2.7b在DDI预测中达到0.978的灵敏度，在平衡数据集中的准确性为0.919（50％正，50％负案例）。此结果代表了用于DDI预测的零射击预测和最新的机器学习方法的改进。我们的分析表明，LLM可以有效地捕获复杂的分子相互作用模式和药物对以共同基因为目标的情况，从而使其成为药物研究和临床环境中实际应用的宝贵工具。