Fusion-in-Decoder: چگونه بازیابی چند-متنی پرسش و پاسخ مولد را بهبود می‌بخشد
FiD قطعات بازیابی‌شده را جدا کدگذاری و در رمزگشا ادغام می‌کند و در NQ و TriviaQA ۴ تا ۱۱ واحد از RAG-Sequence جلوتر است؛ همان ترکیبی که پرسش‌وپاسخ دفتر کل نیاز دارد.
Mike Thrift
مدیر بازاریابی
GuardAgent: اعمال امنیت قطعی برای عامل‌های LLM از طریق اجرای کد
GuardAgent با اجرای کد پایتون خط‌مشی‌های عوامل مدل زبانی بزرگ را اجرا می‌کند و به ۹۸.۷٪ دقت بدون شکست وظیفه می‌رسد، در برابر ۸۱٪ و تا ۷۱٪ شکست برای قواعد مبتنی بر پرامپت.
مباحثه چندعاملی مدل‌های زبانی بزرگ: دستاوردهای واقعی در دقت، رایانش کنترل‌نشده و توهم جمعی
مناظره چندعاملی ۱۴.۸ امتیاز در حساب پیشرفت کرد، اما عاملان تک‌نفره با بودجه برابر هم‌سطح آن‌اند. این مناظره را به‌عنوان بررسی ایمن پیش از ثبت دفتر کل محدود می‌کند.
مدل‌های زبانی بزرگ برای پیش‌بینی سری‌های زمانی مفید نیستند: مفهوم NeurIPS 2024 برای هوش مصنوعی مالی
حذف در NeurIPS 2024: حذف مدل زبانی بزرگ از Time-LLM و CALF دقت را بهبود می‌دهد، با آموزش تا ۱٬۳۸۳ برابر سریع‌تر. برای هوش مصنوعی مالی از مدل‌های هدفمند استفاده کنید.
AuditCopilot: LLMs for Fraud Detection in Double-Entry Bookkeeping
AuditCopilot cuts journal entry fraud false positives from 942 to 12, but ablation shows the LLM mainly synthesizes Isolation Forest scores.
TAT-LLM: LLaMA 2 7B تنظیم‌شده GPT-4 را در پرسش مالی می‌برد
TAT-LLM با تنظیم LLaMA 2 7B به ۶۴.۶۰٪ EM در FinQA می‌رسد و از ۶۳.۹۱٪ GPT-4 جلو می‌زند: خط لوله استخراج-استدلال-اجرا حساب جدولی را ممکن می‌کند.
تنظیم دقیق در مقابل RAG: چرا بازیابی برای تزریق دانش جدید به مدل‌های زبانی بزرگ پیروز می‌شود
RAG روی واقعیت‌های پس از برش، دقت ۰.۸۷۵ می‌گیرد و تنظیم دقیق در ۰.۵۰۴ متوقف می‌شود. برای عامل با به‌روزرسانی مکرر دفتر کل، بازیابی بهتر است.
IRCoT: تلفیق بازیابی با زنجیره افکار برای پرسش و پاسخ چندمرحله‌ای
IRCoT با پرس‌وجوی بازیابی در هر مرحله استدلال، ۱۱.۳+ بازیابی و ۷.۱+ F1 در HotpotQA نسبت به RAG تک‌مرحله‌ای اضافه می‌کند. سپس یک مدل ۳B می‌تواند GPT-3 175B را شکست دهد.
FLARE: تولید افزوده با بازیابی فعال
FLARE در 2WikiMultihopQA به ۵۱.۰ EM در برابر ۳۹.۴ برای RAG تک‌بازیابی می‌رسد، اما شکست‌های کالیبراسیون در مدل‌های چت آن را برای عوامل مالی محدود می‌کند.
RAG: 44.5 EM در NQ — و چرا ایندکس‌های دفتر کل کهنه می‌شوند
لوئیس و همکاران با ایندکس FAISS ثابت به 44.5 EM در Natural Questions رسیدند؛ برای دفترهای کل Beancount این یعنی دوباره‌ایندکس‌کردن یا از دست دادن، وقتی موجودی‌ها روزانه تغییر می‌کنند.
MultiHiertt: بنچ‌مارک استدلال عددی بر روی جداول مالی چند‌سلسله‌مراتبی
MultiHiertt نشان می‌دهد مدل‌ها در ۱۰٬۴۴۰ جفت پرسش‌وپاسخ مالی ۳۸٪ F1 در برابر ۸۷٪ انسان امتیاز می‌گیرند، با افت ۱۵ امتیازی در پرسش‌های بین‌جدولی.
ConvFinQA: مدل‌ها ۲۱ امتیاز از متخصصان عقب‌ترند (۶۸.۹٪)
بهترین مدل ConvFinQA به دقت اجرای ۶۸.۹٪ در برابر ۸۹.۴٪ متخصصان انسانی می‌رسد—شکافی ۲۱ امتیازی که چت چندمرحله‌ای دفتر کل هنوز با آن مواجه است.