LoT-将逻辑注入上下文以增强推理能力

Logic-of-Thought（LoT）旨在通过将逻辑注入上下文，提升大型语言模型的推理能力。该项目利用命题逻辑生成扩展的逻辑信息，并与现有的提示方法无缝集成，显著提升了多种提示方法在复杂任务中的性能。

StreamingLLM 是一种语言模型，能够顺利处理无尽的文本而不会失去上下文信息流，从而实现与人工智能助手的深度对话和长文本总结。

检索增强生成（RAG）是指在大型语言模型回答问题之前，从外部知识库中检索相关信息，以提高答案的准确性和减少模型的幻觉现象。该方法结合了参数化知识与非参数化外部知识库，能够引用来源，从而增加答案的透明度，并支持知识的更新和特定领域知识的引入。

一个开源框架，专为大型语言模型提供高级推理能力，支持数据生成、策略训练和多种搜索策略，让机器更聪明地理解和解决问题。

这项工作从表达能力的角度，为仅解码器的 Transformer 提供了 CoT 的强大功能的理论理解，旨在提高大型语言模型在算术和符号推理任务上的表现，特别是那些固有串行的计算问题。

一份全面的Solar模型提示工程指南，提供了系统化的教程从基础到高级的提示技巧。

为在强化学习（RL）智能体中嵌入和利用语言模型的能力，本文设计了一个以语言为核心推理工具的框架，探索了如何通过语言能力解决中的一系列挑战，包括高效探索、重用经验数据、调度技能和从观察中学习等。

GalLama是一个专注于本地agentic任务优化的LLM推理API服务后端，提供实验性特性和模型下载功能，能够支持多模型并发运行及负载均衡，旨在提升推理效率和灵活性。

Yi-1.5 是 Yi 的升级版本，在编程、数学、推理和指令执行能力上提供了更强大的性能。它能够更好地处理复杂任务，适用于需要高精度和高效率的场景。

ReSearch 是一个开源项目，通过强化学习将搜索操作整合到大型语言模型（LLMs）的推理过程中，使其能够通过搜索工具更有效地回答问题。该项目通过强化学习训练LLM，使其在无监督数据的情况下学会何时以及如何调用搜索工具。基于Qwen2.5-7B模型，从零开始训练，展现了强大的泛化能力，并在HotpotQA等数据集上验证，性能显著提升。

Llama-3.3-70B-Instruct 是由 Meta 开发的大型语言模型，拥有 70 亿参数，性能与更大模型相当，但成本显著降低。该模型在多语言对话、推理和行业基准测试中表现优异，尤其在 MMLU 测试中超越 Google Gemini 1.5 Pro、OpenAI GPT-4o 和 Amazon Nova Pro。Meta 计划在路易斯安那州建设 100 亿美元的 AI 数据中心，支持未来 Llama 模型的训练。

BreveAI 提供了一种独特的大型语言模型（LLM）方法，能够与现实世界数据整合，优先考虑任务效率。它采用开源模式，提供易于使用的API，定价透明，较当前LLM价格低30%，且准确率高40%。

ORGANA是一个灵活且人性化的机器人系统，旨在通过自然语言与化学家进行交互，使用大型语言模型进行推理和规划，提供及时的报告和分析结果，具备3D视觉感知能力，能够准确操作实验对象和监控实验进展，同时通过并行执行实验提高实验效率。

一种针对集成了大型语言模型（LLM）的应用的指纹识别技术，能够通过发送精心设计的查询来识别使用的特定LLM版本。

Dynamiq是一个专为Agentic AI和大型语言模型应用设计的AI智能协同框架，旨在简化AI应用的开发过程，擅长协调检索增强型生成与大型语言模型代理，同时支持多种AI技术的集成，提供高效的任务调度和资源管理。

该项目汇集了最新的大型语言模型与自然语言处理(NLP)的研究论文和相关资源，旨在为研究者和开发者提供一个全面的平台，帮助他们了解和应用各种大型语言模型。

Othello-GPT的工作令人信服地证明了大型语言模型能够构建复杂的世界模型，理解世界的结构和规则，超越简单的模式识别。

通義千問（Tongyi Qianwen），也稱為Qwen，是一系列由阿里巴巴雲開發的大型語言模型。該項目旨在提供智能且自然的語言互動，支援中文和英文，類似於ChatGPT。它集成於阿里巴巴的各種業務功能，並為客戶和開發者提供定制和部署的機會，促進AI應用的開發。通義千問系列包括多個專門模型，如Qwen 2.5、Qwen2.5-Max、Qwen2.5-Coder、Qwen2.5-Math、Qwen-VL、Qwen-Audio等，涵蓋自然語言處理、編碼輔助、數學問題解決、視覺和音頻分析等多個領域。

LLM微调中心，用于将各种大型语言模型进行微调，以适应个性化用例，提供丰富的微调脚本和最新研究成果，支持模型部署及自定义微调，旨在提高模型在特定数据集上的性能。

TinyZero是一个以不到30美元的成本，利用veRL强化学习训练框架，在qwen2.5模型基础上进行训练的项目，能够复现DeepSeek R1论文中的'Aha moment'，并提供完整实验日志和开源代码，方便复现和学习。

FLEXTAF是一个针对表格推理的AI项目，旨在通过使用不同表格格式来优化大型语言模型（LLM）在表格问答任务中的性能。项目包含两个主要模块：FLEXTAF-Single和FLEXTAF-Vote。FLEXTAF-Single通过训练分类器来预测最合适的表格格式，并在推理时使用该格式来解决问题。FLEXTAF-Vote则通过整合不同格式的结果，并通过投票确定最终答案。研究显示，不同的表格格式在处理不同类型的问题时表现出不同的性能优势。

VMTP（视觉媒体转录协议）是一个用于视频处理的协议，旨在帮助大型语言模型（LLMs）和AI代理理解视频输入。通过该协议，用户可以将视频信息转化为可供AI分析和处理的数据，从而提升AI对视频内容的理解能力。

本项目对大型语言模型在不同自然语言处理任务中的提示工程方法进行了调查，展示了如何在不需要大量参数重训练或微调的情况下，增强模型能力，并使非深度学习背景的用户能够与大型语言模型进行交互。同时总结了基于NLP任务的各种提示技术，并分析了在不同数据集上的性能表现。