LLM零样本学习：决策边界不平滑问题的发现

大模型(LLM)是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大，包含数十亿的参数，帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构，如转化器，这有助于它们在各种NLP任务上取得令人印象深刻的表现。

2022年底，OpenAI 推出的基于 GPT-3.5 的大型语言模型 ChatGPT，由于其优秀的表现，ChatGPT 及其背后的大型语言模型迅速成为人工智能领域的热门话题，吸引了广大科研人员和开发者的关注和参与。

本周精选了5篇LLM领域的优秀论文，为了方便大家阅读，只列出了论文标题、AMiner AI综述等信息，如果感兴趣可点击查看原文，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。

如果想要对某篇论文进行深入对话，可以直接复制论文链接到浏览器上或者直达AMiner AI页面：
https://www.aminer.cn/chat/g/explain?f=cs

1.Probing the Decision Boundaries of In-context Learning in Large Language Models

这篇论文探讨了大型语言模型（LLM）中的现场学习决策边界。现场学习是大型语言模型泛化的关键范式，它通过仅用几个示例提示模型，而不进行显式参数更新，使模型能够泛化到新的任务和领域。本文提出了一种新的机制，从现场二分类的决策边界视角探测和理解现场学习。决策边界容易可视化，并提供了关于标准