最終更新日：2020/05/15
AI研究者の声をお届けする特集です。
LLMのRAG（外部知識検索による強化）をまとめた調査報告
プロンプトの原則26ヶ条をまとめた報告
LLMにおける情報抽出（文章から必要な事柄を読み取る）タスクについての調査
Googleなどが開発、LLMに表データ（.csvなど）の情報を深く理解させるためのフレームワーク『Chain of Table』
LLMの内部状態を観察することで「出力がハルシネーションか否かを判別する」手法『LLMファクトスコープ』
LLMの知識を狙い撃ちして変更・修正する「知識編集（Knowledge Editing）」
LLMが「教えてはいけない事実」を抑制するパーツが明らかに Llama-2を1057個に分解
Gemini Pro 対 GPT-4V、画像認識能力でどちらが優秀なのか
ChatGPTの効果的なプロンプト手法における「基本のキ」を理論とテンプレート両方で紹介
Geminiの「常識を推論する能力」を網羅的に調査した結果 間違えやすいタイプの問題も明らかに
「自分を信じて限界を超えてください」など感情をグッと込めた指示プロンプトが添えられると、ChatGPTなどのLLMのパフォーマンスは向上する
Appleが、LLMのパラメータを「SSDなどの外部フラッシュメモリに保存し」PCで効率的にモデルを使用する手法を開発
AGIを見据えて専門家レベルの問題を集めたベンチマーク「MMMU」、GPT-4VやGemini Ultraでも正解率6割未満
LLMに「自分自身との対戦」で能力を向上させる手法『Self-Play Fine-Tuning（SPIN）』
LLMにナレッジグラフ（知識グラフ）を連携させることで、タスク遂行能力を大幅に向上させるフレームワーク『Graph Neural Prompting（GNP）』
Copyright © AIDB All rights reserved.
PAGE TOP