会员服务
大语言模型是基于海量文本数据训练的深度学习模型。它不仅能够生成自然语言文本，还能够深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。2023年，大语言模型及其在人工智能领域的应用已成为全球科技研究的热点，其在规模上的增长尤为引人注目，参数量已从最初的十几亿跃升到如今的一万亿。参数量的提升使得模型能够更加精细地捕捉人类语言微妙之处，更加深入地理解人类语言的复杂性。在过去的一年里，大语言模型在吸纳新知识、分解复杂任务以及图文对齐等多方面都有显著提升。随着技术的不断成熟，它将不断拓展其应用范围，为人类提供更加智能化和个性化的服务，进一步改善人们的生活和生产方式。
Iterative Deployment Improves Planning Skills in LLMs
Arxiv
0+阅读 · 2025年12月31日
The Impact of LLMs on Online News Consumption and Production
Arxiv
0+阅读 · 2025年12月31日
Large language models and the entropy of English
Arxiv
0+阅读 · 2025年12月31日
Plan Verification for LLM-Based Embodied Task Completion Agents
Arxiv
0+阅读 · 2025年12月31日
Analyzing Communication Predictability in LLM Training
Arxiv
0+阅读 · 2025年12月31日
When Intelligence Fails: An Empirical Study on Why LLMs Struggle with Password Cracking
Arxiv
0+阅读 · 2025年12月31日
How Large Language Models Systematically Misrepresent American Climate Opinions
Arxiv
0+阅读 · 2025年12月29日
In-N-Out: A Parameter-Level API Graph Dataset for Tool Agents
Arxiv
0+阅读 · 2025年12月30日
Heaven-Sent or Hell-Bent? Benchmarking the Intelligence and Defectiveness of LLM Hallucinations
Arxiv
0+阅读 · 2025年12月30日
MedKGI: Iterative Differential Diagnosis with Medical Knowledge Graphs and Information-Guided Inquiring
Arxiv
0+阅读 · 2025年12月30日
Addressing Hallucinations with RAG and NMISS in Italian Healthcare LLM Chatbots
Arxiv
0+阅读 · 2025年12月30日
Benchmarking LLMs for Fine-Grained Code Review with Enriched Context in Practice
Arxiv
0+阅读 · 2025年12月30日
CubeBench: Diagnosing Interactive, Long-Horizon Spatial Reasoning Under Partial Observations
Arxiv
0+阅读 · 2025年12月30日
Multi-step retrieval and reasoning improves radiology question answering with large language models
Arxiv
0+阅读 · 2025年12月30日
Yggdrasil: Bridging Dynamic Speculation and Static Runtime for Latency-Optimal Tree-Based LLM Decoding
Arxiv
0+阅读 · 2025年12月29日
参考链接
微信扫码咨询专知VIP会员
Top