in-context-learning

:sparkles::sparkles: Neueste Fortschritte bei multimodalen Large Language Models

Die offizielle GitHub-Seite für das Umfragepapier "A Survey of Large Language Models".

22 Prompt-Engineering-Techniken mit praktischen Jupyter-Notebook-Tutorials, von grundlegenden Konzepten bis hin zu fortgeschrittenen Strategien zur Nutzung von LLMs.

Ein Open-Source-Framework zum Training großer multimodaler Modelle.

Von Chain-of-Thought-Prompting bis zu OpenAI o1 und DeepSeek-R1 🍓

Zusammenfassung von Prompt- & LLM-Papieren, Open-Source-Daten & -Modellen, AIGC-Anwendungen

Lesenswerte Arbeiten zu LLM Agents.

Painter- und SegGPT-Serie: Vision Foundation Models von BAAI

Großartige Ressourcen für In-Context-Learning und Prompt-Engineering: Beherrschung von LLMs wie ChatGPT, GPT-3 und FlanT5 mit aktuellen und wegweisenden Updates.

PyTorch-Implementierung von VALL-E (Zero-Shot Text-to-Speech), reproduzierte Demo https://lifeiteng.github.io/valle/index.html

Emu-Serie: Generative multimodale Modelle von BAAI

[ICCV 2025] 🔥🔥 UNO: Eine universelle Anpassungsmethode für die Konditionierung auf einzelne und mehrere Subjekte

Awesome-Liste zu Papieren über generative Informationsextraktion (IE) mittels Large Language Models (LLMs)

Awesome-LLM-Robustness: Eine kuratierte Liste zu Unsicherheit, Zuverlässigkeit und Robustheit bei Large Language Models

Paper und Datensätze zu Instruction Tuning und Instruction Following.