DeepMind【语言游戏】突破封闭系统训练智能体的能力限制，UC伯克利利用现有模型检查点预测未来模型丨大模型周报

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。

本周大模型周报整理了9篇论文，DeepMind 提出了一种名为"无边界的苏格拉底学习"方法，通过【语言游戏】实现纯递归自我提升，突破封闭系统训练智能体的能力限制。UC 伯克利研究团队提出涌现预测的任务：是否可以仅通过即当前模型的状态来预测未来模型是否会出现涌现能力？团队在四个标准NLP基准（MMLU, GSM8K, CommonsenseQA, 和 CoLA）上验证了该方法，详细请查看论文。

更多论文请查看专题:

https://www.aminer.cn/topic/674dc2a1f868f23694b14916

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

B