学习与分享人工智能技术

本文介绍了谷歌发布的Gemma 3系列大模型的技术要点。

本文介绍了论文​《MiniCPM: Unveiling the Potential of Small Language Models with Scalable Training Strategies》的主要研究内容。

本文详细介绍了论文《FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts》的研究内容及核心创新点。

本文详细介绍了论文​《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning | Papers With Code》的主要研究内容及创新点。

本文介绍了论文​《MiniCPM-V: A GPT-4V Level MLLM on Your Phone》的核心内容。

本文介绍了论文​《Beyond Reward Hacking: Causal Rewards for Large Language Model Alignment》的主要研究内容。

本文介绍谷歌团队发表于2023年的论文《译文：受自然语言处理（NLP）中大型语言模型最新进展的启发，我们设计了一种用于预测的时间序列基础模型，其在各种公共数据集上的开箱即用零样本性能接近于每个单独数据集的最先进监督预测模型的准确性。我们的模型基于预训练一个带有输入分片的解码器风格注意力模型，使用一个包含真实世界和合成数据集的大型时间序列语料库。在一组多样化的先前未见过的预测数据集上的实验表明，该模型可以在不同领域、预测范围和时间粒度上产生准确的零样本预测。

本文介绍了论文​《Retrieval Augmented Time Series Forecasting》及其提出的RAG增强方法。

本文简要介绍了论文​《Financial Fine-tuning a Large Time Series Model》。

本文介绍了论文​《LoRA: Low-Rank Adaptation of Large Language Models》的主要研究内容，并介绍了LoRA技术的基本思路。

本文简要介绍了​论文《Dynamic Routing Between Capsules》及其提出的胶囊神经网络核心要点。

本文介绍了​论文《UnderstandingDifferentDesignChoicesinTrainingLargeTimeSeriesModels》的核心研究内容。

本文介绍了GPT3模型的核心创新点。

本文介绍了论文《LLaMA: Open and Efficient Foundation Language Models》及其提出的初代LLaMA模型核心要点。

本文简要介绍了​论文《GLM-130B: An Open Bilingual Pre-trained Model》及其提出的模型GLM-130B核心要点。

本文介绍了论文​《DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter》的主要工作。

本文介绍了论文​《GLM: General Language Model Pretraining with Autoregressive Blank Infilling》及其提出的GLM模型核心创新点。

本文介绍了GPT2模型的源文​《Language Models are Unsupervised Multitask Learners》的主要工作。

本文介绍了论文《DeBERTa: Decoding-enhanced BERT with Disentangled Attention》及其提出的DeBERTa模型核心创新点。

本文简要介绍了论文​《ALBERT: A Lite BERT for Self-supervised Learning of Language Representations》的主要内容以及其提出的Albert模型主要创新点。

本文介绍了论文​《Improving Language Understanding by Generative Pre-Training》及其提出的GPT-1模型。

本文简要介绍了论文​《RoBERTa: A Robustly Optimized BERT Pretraining Approach》及其所提出的RoBERTa模型的核心创新点。

本文简述了《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》论文的研究内容，并介绍了其提出的Bert模型核心架构。

本文简要总结了论文《Attention is all you need》的主要研究内容，并介绍了其提出的Transformer模型主要组件。