一种无需标签的图像分类方法，通过利用大型语言模型和预训练的视觉模型，提升图像分类的准确性，无需大量标注数据，降低了成本
Deita旨在为大型语言模型(LLM)的指令微调提供自动数据选择工具和高质量的对齐数据集，Deita模型能通过比其他SOTA LLM少10倍的指令微调数据进行训练，达到与它们相媲美的性能。
来自悉尼大学的研究团队提出了一种通过自监督生成标注的框架，旨在解决数据标注任务中的成本、偏见、评估和标注难度等问题。
Ape是一个前沿的AI工具，旨在通过追踪、数据集策划、批量测试和评估等高级功能，优化大型语言模型的提示工程。它为希望通过真实数据提升LLM应用的专业人士和组织提供支持，并通过CI/CD集成防止性能回归。
PromptStacks是一个社区驱动的平台，用户可以分享和发现生成式AI的技巧、窍门和资源，旨在帮助用户在AI领域保持领先。提供免费审核的提示和全面的课程，用户可以参与讨论、分享提示并获得反馈。
本书旨在概述大型语言模型的基本概念并介绍相关技术，重点在于大型语言模型的基础方面，而不是全面覆盖所有前沿方法。
大型语言模型微调用高质量数据集大列表，帮助提升模型的准确性和多样性，使其更好地理解和执行指令。该项目提供了丰富的高质量数据集，支持不同语言模型的微调需求，适合研究人员和开发者使用。
