instruction-tuning

Tự triển khai một LLM giống ChatGPT bằng PyTorch từ đầu, từng bước một

Tinh chỉnh hiệu quả thống nhất cho hơn 100 LLM & VLM (ACL 2024)

[NeurIPS'23 Oral] Tinh chỉnh hướng dẫn trực quan (LLaVA) được xây dựng hướng tới khả năng ngang tầm GPT-4V và xa hơn nữa.

Các tiến bộ mới nhất về Mô hình Ngôn ngữ Lớn Đa phương thức

Trang GitHub chính thức cho bài báo khảo sát "A Survey of Large Language Models".

Xử lý dữ liệu cho và bằng foundation models! 🍎 🍋 🌽 ➡️ ➡️🍸 🍹 🍷

Mã nguồn và mô hình cho bài báo ICML 2024, NExT-GPT: Mô hình ngôn ngữ lớn đa phương thức Any-to-Any

【EMNLP 2024🔥】Video-LLaVA: Học biểu diễn hình ảnh thống nhất bằng cách căn chỉnh trước khi chiếu

Tổng hợp các bài báo về Prompt và LLM, dữ liệu và mô hình mã nguồn mở, các ứng dụng AIGC

🦦 Otter, một mô hình đa phương thức dựa trên OpenFlamingo (phiên bản mã nguồn mở của Flamingo từ DeepMind), được huấn luyện trên MIMIC-IT và thể hiện khả năng tuân thủ chỉ dẫn cũng như học tập trong ngữ cảnh được cải thiện.

InternLM-XComposer2.5-OmniLive: Hệ thống đa phương thức toàn diện cho tương tác video và âm thanh phát streaming thời gian dài

mPLUG-Owl: Dòng mô hình ngôn ngữ lớn đa phương thức mạnh mẽ

[ECCV2024] Video Foundation Models & Data dành cho thấu hiểu đa phương thức

Cambrian-1 là dòng LLM đa phương thức với thiết kế tập trung vào thị giác.

Tuyển chọn dữ liệu tổng hợp cho hậu huấn luyện và trích xuất dữ liệu có cấu trúc

Một framework mô hình ngôn ngữ lớn (LLM) mã nguồn mở có khả năng hiểu biết.

Bộ sưu tập tập dữ liệu mã nguồn mở để huấn luyện các LLM tuân theo hướng dẫn (ChatGPT, LLaMA, Alpaca)

DataDreamer: Nhắc lệnh. Tạo dữ liệu tổng hợp. Huấn luyện và căn chỉnh mô hình. 🤖💤

Lập luận chuỗi suy nghĩ đa phương thức: Một khảo sát toàn diện

[ICML2024 (Oral)] Mã nguồn PyTorch chính thức của DoRA: Weight-Decomposed Low-Rank Adaptation

[SIGIR'2024] "GraphGPT: Tinh chỉnh hướng dẫn đồ thị cho các mô hình ngôn ngữ lớn"

Điều chỉnh hướng dẫn biểu diễn tạo sinh (Generative Representational Instruction Tuning).

Emotion-LLaMA: Nhận diện và suy luận cảm xúc đa phương thức với Instruction Tuning.

Deita: Tinh chỉnh hướng dẫn hiệu quả dữ liệu cho sự liên kết [ICLR2024]

Tổng quát hóa đa ngôn ngữ thông qua tinh chỉnh đa tác vụ (Multitask Finetuning).

[ICML 2024] LESS: Lựa chọn dữ liệu có ảnh hưởng cho việc tinh chỉnh hướng dẫn mục tiêu

DialogStudio: Hướng tới bộ sưu tập dữ liệu thống nhất phong phú và đa dạng nhất cùng các mô hình nhận thức chỉ dẫn cho AI đàm thoại

Các bài báo và tập dữ liệu về tinh chỉnh và tuân thủ chỉ dẫn (Instruction Tuning and Following).