这是一个关于科学大型语言模型（Sci-LLMs）的全面调查，重点关注生物学和化学领域，提供深入的分析与比较，以助于研究人员更好地了解和应用这些模型。
这是一个精心策划的资源列表，涵盖了有关在不进行昂贵再训练的情况下更新大型语言模型（LLMs）的优秀论文和资源，基于EMNLP'23的调查结果。
Tonic Validate Metrics 是一个开源的评估指标包，旨在为生成模型的输出提供多种评估指标，支持模型性能对比，易于集成到机器学习工作流，并兼容多种数据格式和输入类型。
llm-papers 是一个专注于大型语言模型（LLM）相关文献的项目，汇集了大量研究论文，并提供文献分类、标签、重要算法和模型的详细信息。同时，用户可以提交和推荐新的文献，促进研究交流。
这是一个与大型语言模型评估相关的论文和资源集合，旨在为研究人员和从业者提供全面的参考资料，定期更新新发现和资源。
Awesome_Multimodal是一个精心策划的GitHub项目，提供关于多模态大语言模型（MLLM）的全面资源集合。
本项目对大型语言模型中的上下文长度扩展进行了详细调研，讨论了现有策略、评估复杂性及研究者面临的挑战。
本项目对零阶优化技术进行了基准研究，重点关注在微调大型语言模型时的内存效率。
图神经网络(GNN)时间序列分析相关论文列表，提供了两种分类方式：基于任务的分类和基于模型的分类。
Transformer语言模型域自适应工具包，用于将基于Transformer的语言模型适应于新的文本领域。该工具包支持多种预训练模型，并提供灵活的配置选项，使得用户能够轻松调整和评估模型在特定领域的表现，从而有效提升自然语言处理任务的效果。
