將語言模型重新調整為嵌入模型：尋找計算資源最佳化的方案
在有限的計算資源下，針對基於預訓練解碼器語言模型的文本嵌入模型，探討如何通過模型大小、數據量和微調方法的最佳組合，實現高效的對比性微調訓練。
Marco-o1：邁向開放式推理模型，用於解決開放式問題
Marco-o1 模型透過結合思維鏈微調、蒙地卡羅樹搜尋和創新的推理策略，提升大型語言模型處理複雜、真實世界問題的能力，特別是在缺乏明確標準和難以量化獎勵的開放式領域。
利用微調後的 BERT 嵌入技術構建輕量級安全防護欄
文章介紹了一種利用微調後的 BERT 嵌入技術構建輕量級安全防護欄的方法，用於過濾大型語言模型的不安全輸入，並與現有的大型模型相比，在保持性能的同時顯著降低了模型大小和延遲。
基於詞性標註的句子骨架結構提取
本文介紹了一個基於BERT遷移學習的俄語詞性標註模型，該模型在有限的數據集上取得了良好的標註效果，並具有跨語言應用的潛力。
預測未來國際事件：一個用於基於文本的事件建模的可靠數據集
本文介紹了一個名為 WORLDREP 的新型數據集，該數據集旨在利用大型語言模型 (LLM) 的先進推理能力，從新聞文章等文本信息中預測未來的國際事件，並解決現有數據集的局限性。
基於大型語言模型和多代理醫學情境模擬的個性化智慧門診接待系統 (PIORS)
為了解決中國門診接待護士工作量過大的問題，該研究提出了一種基於大型語言模型的個性化智慧門診接待系統 (PIORS)，並透過醫學情境模擬框架 (SFMSS) 生成模擬真實醫病互動的資料，以提升系統在真實環境中的效能。
基於全國物流數據的大型語言模型地址重寫：AddrLLM
利用大型語言模型和真實世界物流數據，可以有效地重寫異常地址，顯著提高物流系統的效率。
降低成本：優化大型語言模型鍵值快取記憶體消耗方法綜述
大型語言模型雖然功能強大，但其 Transformer 架構在處理長文本時效率低下，鍵值快取的引入雖然解決了效率問題，但卻帶來了記憶體開銷。本文綜述了各種優化大型語言模型鍵值快取記憶體使用的方法，涵蓋預訓練、部署和推理階段，並總結了這些方法的共性和差異，為構建更有效、高效和可持續的大型語言模型提供了見解。
從解碼到元生成：大型語言模型的推理時演算法
這篇研究調查了提升大型語言模型(LLM)推理時效能的演算法，涵蓋了token層級生成演算法、元生成演算法以及提升生成效率的技術。
使用 Sporo AraSum 推進阿拉伯語複雜醫療溝通：超越現有的大型語言模型
Sporo AraSum 是一種針對阿拉伯語臨床文件量身打造的語言模型，在處理醫療術語、語法和文化差異方面表現出色，超越了現有的阿拉伯語自然語言處理模型（如 JAIS），展現出在多語系醫療保健應用中的巨大潛力。
