in-context-learning

Dernières avancées sur les modèles de langage multimodaux (MLLM)

Page GitHub officielle de l'article de synthèse A Survey of Large Language Models

22 techniques de prompt engineering avec des tutoriels Jupyter Notebook pratiques, des concepts fondamentaux aux stratégies avancées pour exploiter les LLM.

Un framework open source pour l'entraînement de grands modèles multimodaux.

Du Chain-of-Thought prompting à OpenAI o1 et DeepSeek-R1 🍓

Résumé des articles sur les Prompts et les LLM, données et modèles open source, applications AIGC

Articles incontournables sur les agents LLM.

Série Painter & SegGPT : Modèles de fondation de vision par BAAI

Ressources incontournables pour l'apprentissage en contexte et le prompt engineering : maîtrise des LLM tels que ChatGPT, GPT-3 et FlanT5, avec des mises à jour récentes et de pointe.

Implémentation PyTorch de VALL-E (Text-To-Speech Zero-Shot), démo reproduite https://lifeiteng.github.io/valle/index.html

Série Emu : modèles multimodaux génératifs de BAAI

[ICCV 2025] UNO : Une méthode de personnalisation universelle pour le conditionnement mono et multi-sujets

Liste d'articles de référence sur l'extraction d'informations générative utilisant des grands modèles de langage (LLM).

Awesome-LLM-Robustness : une liste organisée sur l'incertitude, la fiabilité et la robustesse des grands modèles de langage (LLM)

Articles et jeux de données sur le réglage par instructions (Instruction Tuning) et le suivi d'instructions.