语言毕业论文 第1篇
学 号
姓 名
班 级
课题名称
课题类型
申请原由和诚信声明：
申请人签字： 年 月 日
指导教师意见：
签字： 年 月 日
教研室意见：
签字： 年 月 日
注：1. 本表适用于以设计作品、实物制作、毕业设计（论文）多样化等形式为主要内容的毕业创作成果；
2.此表由二级学院存档备查。
语言毕业论文 第2篇
高分辨率是大规模多模态模型（LMMs）的基础，这些模型已被证明对视觉感知和推理至关重要。
现有工作通常采用直接的分辨率升级方法，其中图像由全局和局部分支组成，后者是被切分的图像块但重新调整为与前者相同的分辨率。这意味着更高的分辨率需要更多的局部补丁，导致巨大的计算费用，同时局部图像标记的优势可能会减弱全局上下文。
论文深入探讨这些问题，并提出一个新的框架以及一个精细的优化策略。具体来说，我们通过混合适配器从全局视图中提取上下文信息，基于观察到不同适配器在不同任务中表现出色。
LLM训练、评估与推理
语言毕业论文 第3篇
NATURAL PLAN是一个在自然语言中进行现实规划的基准测试，包含三个关键任务：旅行规划、会议规划和日历安排。
这个评估重点是在完全了解任务信息的情况下对LLMs的规划能力进行评估，通过提供来自Google Flights、Google Maps和Google Calendar等工具的输出作为模型的上下文。这消除了在评估LLMs在规划方面的需要使用工具环境的需求。
随着问题复杂度的增加，模型性能急剧下降：所有模型在涉及10个城市的情况下的表现均低于5%，这凸显了在自然语言规划中存在的显著差距。
论文还对NATURAL PLAN进行了广泛的消融研究，进一步揭示了自我纠正、少量示例泛化和长上下文规划等方法在改善LLM规划方面的（无）效果。
语言毕业论文 第4篇
在模型响应的不确定性或置信度的估计中，可以显著地评估不仅仅是对响应的信任，而且对整个模型的信任。论文探讨了通过仅黑箱或查询访问它们来估计大语言模型（LLMs）响应的置信度的问题。
提出了一个简单且可扩展的框架，在其中设计了新颖的特征并训练一个（可解释的）模型（例如逻辑回归）来估计这些特征的置信度。实验表明，简单框架在估计flan-ul2、llama-13b和mistral-7b的置信度方面一致优于现有的黑箱置信度估计方法，在基准数据集如TriviaQA、SQuAD、CoQA和Natural Questions上的性能提高了超过10%（在AUROC上）。
语言毕业论文 第5篇
（一）查重对象
我校2023届普通全日制本科毕业生毕业论文（设计），答辩前都要进行查重。对于以设计作品、实物制作等不适宜检测的毕业创作成果，需由学生填写《呼和浩特民族学院2023届毕业设计（论文）查重免检申请表》（附件1），并经二级学院审批同意，申请毕业论文查重免检，相关材料装入毕业设计（论文）资料袋中由二级学院保存。
（二）查重流程及时间安排
1.第一轮查重：2023年5月5日—5月6日，各学院教学秘书登录毕业论文系统后，上传指导教师审阅后的终稿。
2.第二轮查重：2023年5月13日—5月14日，在第一轮查重的基础上进一步修改后查重。本次查重中，查重率超过25%的学生不允许参加第一次论文答辩。
3.第三轮查重：毕业生参加论文答辩后，按照答辩评委老师提出的修改意见，认真修改完善毕业论文（设计）后进行查重，具体时间另行通知。本次查重结果将作为最终查重率保存到论文系统里。
（三）学生对查重结果存在质疑的，需填写《呼和浩特民族学院2023届毕业论文（设计）查重检测申诉书》（附件2），由学院组织认定，并填写《呼和浩特民族学院2023届毕业论文（设计）查重检测结果认定书》（附件3）提交到学校教务处实践教学管理科，再次进行论文查重。
（四）第二次论文查重未通过的学生，在指导教师的指导下，经过不少于2周时间的修改，可以向二级学院递交《呼和浩特民族学院毕业论文（设计）查重复检申请书》（附件4）申请查重复检。
（五）通过查重的学生打印“检测报告单”，指导教师在确定查重文稿与提交文稿一致的情况下签字确认，此报告单装入毕业论文（设计）资料袋中保存。如果发现学生上传到系统进行查重的文稿与本人实际作品不一致或存在其它弄虚作假行为，将根据相关规定严肃处理。指导教师对学生提交查重的论文负有审核把关责任。
语言毕业论文 第6篇
大型语言模型（LLMs）已发展到涵盖广泛的领域知识。但是控制大语言模型不应知道的信息同样重要，这样可以确保对齐和安全使用。
精确且高效地从LLM中遗忘知识仍然具有挑战性，因为保留与遗忘之间的界限模糊，以及针对具有数千亿参数的最先进模型进行优化的大计算需求。
论文介绍了嵌入式损坏提示（ECO Prompts），这是一个轻量级的大语言模型遗忘框架，用于解决知识纠缠和遗忘效率的挑战。不依赖于LLM本身进行遗忘，而是在推理过程中通过使用提示分类器来识别和保护需要遗忘的提示，强制执行遗忘状态。
通过广泛的遗忘实验，证明了这个方法在实现有希望的遗忘效果的同时，在一般领域和与遗忘领域紧密相关的领域几乎没有副作用，并且这个方法可扩展到从到236B参数的100个LLM，增加参数数量不会导致额外成本。
LLM推理
语言毕业论文 第7篇
在健康领域，大多数大语言模型（LLM）研究侧重于临床任务。很少将移动和可穿戴设备集成到此类任务中，这些设备提供了丰富的纵向个人健康监测数据。
论文介绍了个人健康大语言模型（PH-LLM），它是从Gemini微调而来，用于理解和推理数值时间序列个人健康数据。创建并整理了三个数据集，用于测试：
尽管对于安全关键的个人健康领域，还需要进一步的开发和评估，但这些结果展示了Gemini模型的广泛知识和能力，以及在个人健康应用中对生理数据进行情境化的好处，正如PH-LLM所做的那样。
语言毕业论文 第8篇
多模态大语言模型（mLLMs）在大量的文本-图像数据上进行训练。尽管大多数mLLMs是在仅有标题的数据上训练的，Alayrac等人展示了在它们的训练中额外包含文本和图像的交错序列可以促使上下文学习能力的出现。
但是他们使用的数据集M3W是不公开的，并且仅限英语。当前的多语种和多模态数据集要么仅由标题组成，要么规模中等，或完全是私有数据。这限制了对世界上其他7000种语言的mLLM研究。因此论文推出了mOSCAR，这是第一个从网络爬取的大规模多语种和多模态文档语料库。
语言毕业论文 第9篇
在这份技术报告中介绍了在开发Skywork-MoE这一高性能混合专家（MoE）大语言模型（LLM）时实施的训练方法，该模型拥有1460亿参数和16个专家。
模型是从现有的Skywork-13B模型的检查点初始化的。并且使用了两种创新技术：门控对数归一化，提高了门控出口多样化，以及自适应辅助损失系数，允许对辅助损失系数进行层特定的调整。我们的实验结果验证了这些方法的有效性。
