XiaoMi-AI文件搜索系统
World File Search SystemLlama
DeepSeek-R1：通过增强学习激励LLM中的推理能力
我们介绍了第一代推理模型，即DeepSeek-R1-Zero和DeepSeek-R1。DeepSeek-R1-Zero，一种通过大规模增强学习（RL）训练的模型，没有超级微调（SFT）作为初步的步骤，表现出显着的推理能力。通过RL，DeepSeek-R1-Zero自然出现，具有许多强大而有趣的推理行为。但是，它遇到了挑战，例如不良的可读性和语言混合。为了解决这些问题并进一步提高了推理性能，我们引入了DeepSeek-R1，该问题在RL之前结合了多阶段培训和冷启动数据。DeepSeek-R1在推理任务上实现与OpenAI-O1-1217相当的性能。为了支持研究社区，我们开放源DeepSeek-R1-Zero，DeepSeek-R1和六种密集的型号（1.5b，7b，8b，8b，14b，32b，32b，70b），根据Qwen和Llama蒸馏出了DeepSeek-R1。
reg-gpttm：一种用于增强的对话AI模型...
作为人工智能（AI）的抽象背景继续改变我们生活的各个方面，对话AI模型变得越来越复杂。开发更准确和信息丰富的语言处理助手对包括医疗保健，医疗服务和研究援助在内的众多领域具有重要意义。Maharaj免疫再生医学研究所（MIRIRM）使用有监督和无监督的学习技术的组合开发了材料和方法。使用大量文本数据对Llama 3.1模型的参数进行了微调，从而使Reg-GPT TM能够从其与用户的交互中学习。结果我们的评估表明，Reg-GPT TM模型在几个关键领域的表现良好，包括响应准确性，流利度和参与度。结果突出了将Reg-GPT TM整合到再生医学（RM）
AI模型调制，带有逻辑重新分布-Zihan Wang
大型型号通常适用于满足模型所有者和用户的各种要求。但是，维护多个专门版本的模型效率低下。 在响应中，我们提出了AIM，这是一种新型的模型调制范式，使单个模型能够表现出各种行为能够满足特定的最终需求。 AIM启用两个关键调制模式：实用程序和焦点调制。 前者为模型所有者提供了对输出质量的模型控制，以提供不同的实用程序级别，后者为用户提供了精确的控制，以移动模型的集中输入功能。 AIM介绍了以培训数据不合时宜的方式和无重新训练方式运行的逻辑再分配策略。 我们建立了正式的基础，以确保AIM的监管能力，以通过关节概率分布来订购的统计特性。 我们的评估证实了AIM对AI模型调制的实用性和多功能性，任务涵盖了IMEGE分类，语义细分和文本生成，以及包括Resnet，Segformer和Llama在内的普遍体系结构。但是，维护多个专门版本的模型效率低下。在响应中，我们提出了AIM，这是一种新型的模型调制范式，使单个模型能够表现出各种行为能够满足特定的最终需求。AIM启用两个关键调制模式：实用程序和焦点调制。前者为模型所有者提供了对输出质量的模型控制，以提供不同的实用程序级别，后者为用户提供了精确的控制，以移动模型的集中输入功能。AIM介绍了以培训数据不合时宜的方式和无重新训练方式运行的逻辑再分配策略。我们建立了正式的基础，以确保AIM的监管能力，以通过关节概率分布来订购的统计特性。我们的评估证实了AIM对AI模型调制的实用性和多功能性，任务涵盖了IMEGE分类，语义细分和文本生成，以及包括Resnet，Segformer和Llama在内的普遍体系结构。
管理 ChatGPT 和其他生成性人工智能的风险......
OpenAI 于 2022 年底发布了 ChatGPT 3.5 供公众使用，向世界介绍了一款功能强大且具有变革性的生成式人工智能 (AI) 工具，它能够根据用户提示快速创建新的、看似人工制作的内容。与其他生成式 AI 一样，ChatGPT 是一种“大型语言”模型，经过大量数据训练，然后使用机器学习和复杂算法来预测响应中的下一个最佳单词。ChatGPT 的增长速度非常惊人：在推出后仅仅两个月，ChatGPT 用户就达到了 1 亿——这一里程碑是 TikTok 花了九个月、Instagram 花了两年半才实现的。在这短短的一段时间内，ChatGPT 和新推出的竞争平台（如谷歌的 Bard 和 Meta 的 LLaMA（大型语言模型 Meta AI））的响应速度和准确性也呈指数级增长。
在加拿大法院使用人工智能的指南
AI包括模拟人类智能和决策过程的计算机系统。AI的特定子集（称为生成AI）可以自主创建原始内容，例如文本，图像，视频和音乐，基于已培训的数据。一种生成AI的类型是基于大型语言模型（LLMS），该模型旨在处理，理解和生成人类的言语和书面语言。它们是研究，组织，编辑，翻译和以其他方式改进书面作品的强大工具。来自Google和Microsoft的流行文字处理和电子邮件应用程序现在包括生成AI开箱即用。生成的AI实际上已成为许多平台，系统和应用程序的竞争功能。当今使用的突出公共可访问的LLM引擎包括Chatgpt（OpenAi），Claude（Anthropic），Gemini（Google）和Llama（Meta）。此外，还有许多针对特定主题或编写任务量身定制的AI驱动应用程序。
cl-dps：一种通过扩散后采样
大型语言模型彻底改变了人工智能和机器学习。在大规模数据集上训练的这些模型可以生成类似人类的文本，代码，并且（显然）从事复杂的推理任务。这些突破的核心是所谓的经验缩放定律，它显示了模型能力如何随着模型大小和数据大小的增加而预测的。这种可预测性激发了巨大的工业努力来建立和部署非常大型的模型。该课程将通过对Llama 3技术报告的深入研究（Grattafiori等，2024）的深入研究来理解大型模型培训的实际方面。我们将介绍从培训前和培训后的整个管道到评估和部署。学生将有望介绍一篇论文，准备代码笔记本，并完成有关他们选择的主题的Finnal项目。虽然读数在很大程度上是应用或方法论上的，但理论上的学生欢迎将他们的项目集中在与大型模型有关的理论主题上。
在未置换的生物医学领域中的关系提取
鉴于手动策展的资源密集型性质，评估集中选定项目的多样性很重要。量化训练集中的噪声后，以输入摘要的文本和预期的输出标签之间的差异形式，我们相应地探讨了不同的策略。将任务作为端到端的关系提取，我们评估了标准辅导（BioGPT，GPT-2和SEQ2REL）的性能，并使用开放的大语言模型（LLMS）（LLAMA 7B-65B）进行了少量学习。除了在几次射击设置中进行评估外，我们还探讨了开放LLM作为合成数据的潜力，并为此目的提出了新的工作流程。所有评估的模型在合成摘要而不是原始嘈杂数据时进行了实质性改进。我们提供表现最好的表现（F1得分= 59。0）天然产品关系端到端的MioGPT-LARGE模型以及所有培训和评估数据集。请访问https://github.com/idiap/abroad-re。
使用大型语言模型进行部分可观察的机器人任务 /作者= Sun，Lingfeng的互动计划； Jha，Devesh K。； Hori，Chiori； Jain，Siddarth； corcodel，radu;朱，Xinghao; tomizuka，masayoshi；罗梅雷斯，迭戈 /creationdate = 5月14日，2024年 /object = robotics < /div>
抽象设计机器人代理执行开放词汇任务一直是机器人技术和AI的长期目标。最近，大型语言模型（LLM）在创建用于执行开放词汇任务的机器人代理方面取得了令人印象深刻的结果。但是，在不确定性的存在下为这些任务进行规划是具有挑战性的，因为它需要“经过思考链”推理，从环境中汇总信息，更新状态估计以及基于更新的状态估计来生成操作。在本文中，我们提出了一种使用LLM的部分可观察到的任务的交互式计划技术。在拟议的方法中，LLM用于使用机器人从环境中收集丢失的信息，并从收集的观测值中推断出基本问题的状态，同时指导机器人执行所需的操作。我们还通过自我教学使用了精致的Llama 2模型，并将其性能与像GPT-4这样的预训练的LLM进行比较。在仿真和现实环境中的几个任务上都证明了结果。
我们可以将项目集成到模型中吗？知识编辑以使LLM与产品目录对齐
摘要本研究探讨了知识编辑技术增强对会话推荐系统（CRS）的大型语言模型（LLM）的潜力。尽管GPT，Llama和Gemini之类的LLM具有高级的对话能力，但它们在代表动态的，现实的项目目录方面面临挑战，通常会导致建议中的不准确和幻觉。这项研究初步研究知识编辑是否可以通过更新LLM的内部知识来解决这些局限性，从而在没有完整模型重新培训的情况下提高了产品信息的准确性。使用开源Llama2模型，我们在笔记本列表的数据集上应用两种知识编辑方法（宽限期和R-Rome）。我们的发现证明了该模型准确表示产品特征的能力，而R-Rome则获得了最高增益，同时又不降低模型效率。该研究强调了利用知识编辑来增强CRS的观点，并建议未来的工作来探索更广泛的应用程序和对建议系统性能的影响。
微调在LLMS中提示的功效
本文介绍了我们参加FinCausal 2025 Compeition的方法和发现（Moreno-Sandoval等人。，2025），解决了从财务文件中得出的因果问题，特别是英语和西班牙年度报告。与基于BERT的代币分类（例如基于BERT的提取方法）相比，我们研究了生成模型（例如Llama）的有效性。虽然迅速的优化和很少的学习提供了一些改进，但它们不适合持续超过Fincausal的提取方法，并且患有hAlu take。相比之下，微调生成模型被证明对于最小化的幻觉和实现了卓越的表现至关重要。使用我们的微调多语言模型完成这两个任务，我们的表现要优于我们的外来和单语言方法，在比赛中获得了西班牙语的最高成果，而在比赛中获得了第二好的结果。我们的发现表明，微调的大语言模型非常适合复杂的财务叙事中的因果问答，提供了强大的多语言帽子，并有效地减轻了幻觉。