中心新闻

你的位置：首页中心新闻
中心新闻

Transformer架构是MoE模型的理想选择吗？探究配套架构对MoE模型基础能力的影响

论文名称：How does Architecture Influence the Base Capabilities of Pre-trained Language Models? A Case Study Based on FFN-Wider and MoE Transformers 论文作者：陆鑫，赵妍妍，秦兵，霍亮宇，杨青，许冬亮 (NeurIPS 2024)

了解详情
哈工大SCIR《自然语言处理：基于大语言模型的方法》一书出版

声明：本文转载自哈尔滨工业大学计算学部公众号编者按：由哈工大社会计算与交互机器人研究中心车万翔教授主笔，研究中心毕业生郭江博士、崔一鸣博士参与编写，哈工大副校长刘挺教授主审的《自然语言处理：基于大语言模型的方法》一书正式出版。由赛尔实验室（SCIR）车万翔教授、郭江博士、崔一鸣博士编写，电子工业出版社博文视点出版的《自然语言处理：基于大语言模型的方法》一书正式上架。（u.jd.com/6aTcBrL）近年来，以ChatGPT为代表的大语言模型的兴起，已成为 NLP 研究的新范式。本书基于2021年出版的《自然语言处理：基于预训练模型的方法》之上，进一步扩充添加了大语言模型相关的技术内容，介绍了大语言模型（LLM）在自然语言处理（NLP）领域的应用，结合理论与实践，帮助读者掌握最新技术。本书涵盖 NLP 和深度学习的基础知识、预训练语言模型的核心技术及其应用，以及大语言模型的预训练方法、适配、应用和评估策略，同时介绍基于 LLM 思想的前沿技术，并以 DeepSeek 系列模型为例解析最新进展。本书既适合具有一定机器学习基础的高等院校学生、研究机构的研究者，以及希望深入研究自然语言处理

了解详情
计算学部赵妍妍教授受邀为昌黎县全县教师解锁大模型时代下DeepSeek技术及其应用

声明：本文转载自哈尔滨工业大学计算学部公众号3月14日，计算学部赵妍妍教授受河北昌黎第一中学邀请，为昌黎县全县教师作了题为《大模型时代下DeepSeek技术及其应用》的专题讲座。各校教师代表齐聚一堂，共同探索智能技术与教育融合的新路径。赵妍妍为计算学部教授、博士生导师，研究方向为大语言模型、情感计算、社会计算，目前担任中国中文信息学会情感计算专委会委员、社会媒体处理专委会委员，曾获黑龙江省科技进步一等奖、黑龙江省科技进步二等奖等多项重要荣誉。讲座中，赵妍研教授深入浅出地介绍了DeepSeek平台的功能与操作，并通过案例讲授了DeepSeek是什么、会什么、怎么用等；围绕DeepSeek在信息收集、资料整理、内容创作等方面的应用展开详细讲解，有效提升了老师们对DeepSeek应用的认知和实践能力。赵妍妍教授还向老师们介绍了神秘而强大的Manus。Manus拥有具备超强学习能力和卓越适应性的“数字大脑”，能够真正像人类一样进行思考和行动。它可以完全独立自主地完成从规划到执行的全流程任务，淋漓尽致地展示了真正的Agent能力。这一前沿技术的分享，进一步拓宽了大家的视野，让老师们得以接触到更多

了解详情
从自我进化视角出发，全面解析LLM的推理能力技术演进路径

声明：本文转载自机器之心公众号论文标题：A Survey on LLM Complex Reasoning through the Lens of Self-Evolution论文链接：https://www.researchgate.net/publication/389209259_A_Survey_on_Complex_Reasoning_of_Large_Language_Models_through_the_Lens_of_Self-Evolution?channel=doilinkId=67b8b5b0207c0c20fa9111fbshowFulltext=true仓库链接：https://github.com/cs-holder/Reasoning-Self-Evolution-Survey1. 引言在人工智能领域，大型语言模型的复杂推理研究正成为学术界和工业界关注的焦点。随着 OpenAI 的 O1 以及后续 DeepSeek R1 等突破性成果的发布，这一领域的研究热度持续升温，引发了广泛的学术讨论和实践探索。这些里程碑式的研究成果不仅推动了相关技术的快速发展，也激

了解详情
计算学部携手黑龙江省疾控局用AI为公共卫生筑牢“智慧防线”

声明：本文转载自哈尔滨工业大学计算学部公众号

了解详情
论文浅尝 | 迈向更全面的多模态大模型：多模态大模型如何突破模态与任务限制？（哈工大SCIR）

声明：本文转载自开放知识图谱公众号论文链接：https://arxiv.org/abs/2412.11694仓库链接：https://github.com/threegold116/Awesome-Omni-MLLMs1. 引言不断发展的多模态大语言模型（MLLMs）展现了实现通用人工智能的潜力，其通过将大语言模型与特定模态的预训练模型结合，扩展了单一非语言模态的理解与生成能力，例如视觉MLLMs、音频MLLMs和3D-MLLMs。然而，这些特定模态MLLMs（Specific-MLLMs）难以应对现实场景中涉及多模态的复杂任务，因此研究者正致力于扩展模态范围，推动全模态MLLMs（Omni-MLLMs）的发展。为了应对现实场景中的复杂任务，越来越多的研究者将目光投向了全模态大语言模型（Omni-MLLMs），其旨在实现全模态的理解与生成。Omni-MLLMs通过整合多种非语言模态的预训练模型，在Specific-MLLMs的基础上扩展了理解和生成能力。其利用大语言模型的涌现能力，将不同非语言模态视为不同“外语”，在统一空间内实现跨模态信息的交互与理解。与Specific-MLLMs相

了解详情

每页 6 记录总共 535 记录
第一页 <<上一页下一页>> 尾页
页码 2/90 跳转到

最近更新