NeurIPS2023 大语言模型(LLM)方向优质论文汇总！

2023最后一场AI行业大会NeurIPS已经结束了，这场盛会共接收了全球各地的3586篇优质论文，这些论文如今已全部在线上公开发表，展现出人工智能领域的最新研究成果。

大型语言模型（LLM）作为人工智能领域的重要分支，在NeurIPS 2023大会上，关于LLM的论文也有很多。今天特意从这些论文中整理出12篇大语言模型（LLM）优质论文分享给大家，看看LLM领域的最新研究成果和发展趋势！

1、QLoRA: Efficient Finetuning of Quantized LLMs

QLoRA：量化 LLM 的高效微调

简述：本文提出了一种用于LLMs的微调方法QLORA，可在单个48GB GPU上微调65B参数模型，同时保持高性能。QLORA的创新包括4位NormalFloat、双量化、分页优化器。研究人员微调了1000多个模型，结果表明，使用小型数据集的QLORA微调可获得最佳结果，即使使用较小的模型。

2、Direct Preference Optimization: Your Language Model is Secretly a Reward Model

直接偏好优化：你的语言模型暗地里是一个奖励模型

简述：本文中提出了一种新的奖励模型参数化方法，简化了强化学习从人类反馈（RLHF）问题的标准解决方案，把这种算法称为直接偏好优化（DPO），它稳定、高效，计算需求低，简化了微调过程。与现有方法相比，DPO在满足人类偏好方面同样出色或更优，特别是DPO在控制文本情感方面表现优异，并且在文本摘要和对话生成中提供了质量相当或更高的响应，同时更易于实现和训练。

3、DoReMi: Optimizing Data Mixtures Speeds Up Language Model Pretraining

DoReMi：优化数据混合加速语言模型预训练

简述：本文中提出了DoReMi，一种在不了解下游任务的情况下为数据集生成域权重的新方法。研究人员使用Group DRO在小型代理模型上训练产生域权重，再重采样数据集训练大型模型。实验显示，DoReMi在280M参数模型上优化，更有效地训练8B模型，并在The Pile和GLaM数据集上显著提高模型性能。

4、Toolformer: Language Models Can Teach Themselves to Use Tools

Toolformer：语言模型可以自学使用工具

简述：本文提出了Toolformer，一种被训练用来决定何时调用哪些API，传递什么参数，以及如何最有效地将结果融入未来的令牌预测。这通过自我监督方式完成，每个API只需几个演示。文中整合了计算器、问答系统、搜索引擎、翻译系统和日历等工具，Toolformer在各种下游任务中实现了零样本性能提升，且不牺牲核心语言建模能力，可与更大规模的模型竞争。

5、ToolkenGPT: Augmenting Frozen Language Models with Massive Tools via Tool Embeddings

ToolkenGPT：通过工具嵌入使用海量工具增强冻结语言模型

简述：本文中提出了一种名为ToolkenGPT的方法，它将工具以toolken的形式嵌入到LLMs中。这允许模型以生成文本的方式调用工具，并灵活地扩充新工具。通过大量演示数据优化工具令牌的应用，在多个领域如数字推理和问答系统中，ToolkenGPT有效增强了LLMs的能力，并明显优于现有基准。此方法在复杂场景中选择并使用合适工具展现出巨大潜力。

6、Scaling Data-Constrained Language Models

缩放数据约束语言模型

简述：本文中提出并实证验证了计算最优性的缩放定律，该定律解释了重复标记和多余参数的递减值，并尝试了缓解数据稀缺性的方法，包括使用代码数据增强训练数据集或删除常用过滤器。

7、Can Language Models Solve Graph Problems in Natural Language?

语言模型可以解决自然语言中的图问题吗？

简述：文中提出了NLGraph，一个基于自然语言的图形问题解决全面基准测试，包含多种难度的29,370个图形推理任务。在NLGraph上的评估显示，大型语言模型（LLMs，如GPT-3/4）在图形推理方面有初步能力，但在复杂任务上表现出局限性。文中提出了基于指令的构建图形提示和算法提示方法，提高了LLMs在这些任务上的表现。

8、SPAE: Semantic Pyramid AutoEncoder for Multimodal Generation with Frozen LLMs

SPAE：语义金字塔自动编码器，用于使用冻结 LLM 生成多模态

简述：本文中提出了语义金字塔自编码器（SPAE），它让固定的LLMs能处理包含图像或视频的非语言模态的理解和生成任务。SPAE实现了原始像素与LLM词汇表中词汇标记之间的转换，使得视觉内容能被LLM理解并用于多模态任务。这种方法在多个图像理解和生成任务中验证了其有效性，使被冻结的LLM在生成图像内容方面取得了突破，同时在理解任务上的性能提高了25%。

9、3D-LLM: Injecting the 3D World into Large Language Models

3D-LLM：将 3D 世界注入大型语言模型

简述：本文中提出了将三维世界整合到大型语言模型中的新概念，形成了三维LLMs。这些模型可以处理三维点云数据，执行包括三维标注、问答和对话等多种三维任务。通过设计的提示机制，研究人员收集了超过30万的三维语言数据，并使用二维视觉-语言模型作为训练基础。在实验中，这个模型在捕获三维空间信息方面显著超越现有技术，并在多个三维任务上表现优异。

10、QuIP: 2-Bit Quantization of Large Language Models With Guarantees

QuIP：大型语言模型的 2 位量化，有保证

简述：本文中提出了基于权重和Hessian矩阵不协调性优化量化的新方法QuIP。QuIP采用自适应舍入和随机正交矩阵预后处理两个步骤，通过理论分析和实证验证，证明了该方法和现有方法OPTQ的有效性，QuIP能使用每个权重仅两位实现有效的LLM量化。

11、ProPILE: Probing Privacy Leakage in Large Language Models

ProPILE：探测大型语言模型中的隐私泄漏

简述：本文中提出了一种新型探测工具ProPILE，为了帮助数据主体发现LLM服务中的潜在PII泄露。该工具允许用户根据自己数据制定提示，评估隐私风险。文中展示了ProPILE在OPT-1.3B模型上的应用，该模型基于公开Pile数据集。同时，LLM服务提供商可以使用ProPILE来评估和控制PII泄露，这一工具为数据主体提供了网络数据控制的新方法。

12、Parsel : Algorithmic Reasoning with Language Models by Composing Decompositions 

Parsel：通过组合分解对语言模型进行算法推理

简述：本文中提出了Parsel框架，它支持使用LLM来自动实现和验证复杂算法。Parsel通过分解算法任务为层次化的自然语言描述，并搜索可能的函数实现组合来工作。实验表明，Parsel显著提升了LLM在分层推理任务如程序合成和机器人规划的表现，成功率在APPS数据集上提高75%，在HumanEval上pass@1性能从67%增至85%，同时提高了机器人规划的准确率。

码字不易，欢迎大家点赞评论收藏！

关注下方《享享学AI》

回复【LLM】获取论文