维护实践

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。

关于大型语言模型（LLM）评估的指南，提供了从实践经验到理论知识的见解，旨在帮助用户确保 LLM 在特定任务上表现良好

LLMPapers是一个专注于大型语言模型（如ChatGPT、GPT-3、Codex等）的文献和研究论文资源平台，旨在为研究人员和开发者提供丰富的参考资料。该项目定期更新，涵盖最新的研究成果和技术进展，同时鼓励用户贡献新的文献资源。

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。

一个包含与LLM系统相关论文的资源列表，旨在为研究人员和开发者提供参考资料，汇集了最新的研究成果，方便用户浏览和查找特定主题的论文。

能力密度是研究团队提出的评估不同规模 LLM 的训练质量的新指标，定义为模型的有效参数量与实际参数量的比值。该指标提供了统一的度量框架，通过引入参考模型的概念，建立参数量与性能之间的映射关系，显著降低同等性能的推理成本，并指示模型存在高性价比的有效使用期。

这是一个关于大规模语言模型的精彩集合，汇聚了最新的研究成果和资源，包括论文、技术进展以及各种语言模型的比较和评估，支持社区的贡献和反馈。

基于大型语言模型(LLM)的机器翻译相关资源列表，汇集了最新的研究论文、工具、翻译示例以及实用的教程和指导，旨在为机器翻译的研究与开发提供全面的支持。

LLM101n是由AI领域知名专家Andrej Karpathy开发的一个综合性AI课程，专注于大型语言模型（LLM）的教学。课程从基础知识到高级应用，涵盖深度学习和自然语言处理技术，旨在帮助学习者全面掌握AI技术，并构建类似于ChatGPT的可运行Web应用程序。课程内容包括Python、C、CUDA编程实现，反向传播技术，Transformer架构，注意力机制，分词技术，模型优化，分布式训练，监督微调，强化学习，以及模型部署和多模态技术应用。

基于大型语言模型的软件工程Agent资源集，提供基于大型语言模型（LLM）的Agent技术，通过增强LLM的外部资源和工具利用能力，显著扩展了其在软件工程任务中的应用范围和有效性。