Papers with Code 아카이브
Instruction Following
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 1
- 평가표
- 1
- 보존된 평가 기록
- 4
Instruction following is the basic task of the model. This task is dedicated to evaluating the ability of the large model to follow human instructions. It is hoped that the model can generate controllable and safe answers.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
LLM 생성에서 태스크 해결과 출력 형식화의 분리
대규모 언어 모델(LLM)은 의사를 보조할 준비가 되었는가? 대화형 의사-환자-EHR 보조를 위한 PhysAssistBench
창발적 신기루: 창발적 정렬 불일치와 재정렬은 과연 견고한 현상인가?
Mach-Mind-4-Flash 기술 보고서
HiPO: 대규모 언어 모델의 적응적 추론을 위한 계층적 선호 최적화
CogniConsole: 신뢰할 수 있는 LLM 상호작용을 위한 공식 추상화로서의 추론 시간 제어 외재화
공유 의사결정 실천 측정(OPTION12): 프라이버시와 지속가능성 향상을 위한 오픈소스 소형 대규모 언어 모델(OS-sLLMs) 연구
실행에서 교육으로: 대규모 언어 모델의 교육적 제어 측정을 위한 Bloom 정렬 프레임워크
UniClawBench: 실세계 태스크에서 능동적 에이전트를 위한 범용 벤치마크
직접 선호 최적화를 위한 이중 난이도 커리큘럼 학습
적은 데이터, 빠른 수렴: 멀티모달 지시 미세조정을 위한 목표 주도 데이터 최적화
저자원 아랍어 음성 LLM을 위한 데이터 스케줄링 기반 멀티태스크 지시 미세조정
Omni-RRM: 자동 루브릭 기반 선호도 합성을 통한 옴니 보상 모델링 발전
CurateEvo: 에이전틱 사후 학습을 위한 데이터 큐레이션 진화
프롬프팅 복잡도: LLM에서 텍스트와 행동을 위한 최단 프롬프트
LongCrafter: 증거 그래프 기반 인스트럭션 합성을 통한 다양한 장문 컨텍스트 이해를 향하여
Pitwall: 보정된 실시간 몬테카를로 엔진을 활용한 충실한 자연어 레이스 전략 브리핑
RS-Agent: 지능형 에이전트를 통한 원격 탐사 작업 자동화
통합 멀티모달 생성으로서의 비전
말한 대로 행동하되, 추론한 대로는 아니다: LLM 에이전트의 충실성 격차 규명
리더보드를 넘어서: 대규모 언어 모델 에이전트의 도구 사용, 계획 및 추론 실패에 대한 종합 연구
순차적 선호 최적화를 통한 LLM 정렬을 위한 Shapley 기반 데이터 가치 평가
라그랑주 보상 증강을 통한 안전한 추론 시간 정렬
탐험, 정제, 모델 병합을 위한 스펙트럴 리와이어링
DynaVieW: 계층적 시각 역학 이해를 위한 스키마 기반 세계 모델링
몇 가지 교사 단계만으로 충분하다: 에이전트 사후 학습을 위한 비용 효율적인 온-정책 데이터 증강
RSPO: 멀티턴 LLM 에이전트를 위한 보상 교환 정책 최적화
사전학습 커리큘럼이 선택적 미세조정을 가능하게 한다
진화적 가이드 디코딩: 대규모 언어 모델을 위한 반복적 가치 정제
Web-CogReasoner: 웹 에이전트를 위한 멀티모달 지식 기반 인지 추론을 향하여
검증기-생성기 정렬을 통한 대규모 언어 모델 개선
모델은 당신이 의미한 바를 추론한다: 모델은 의사소통 의도를 행동보다 더 신뢰할 수 있게 표상한다
자연어 도구를 AI 에이전트에 제공하는 방법의 놀라운 효과성: 14개 모델에 걸쳐 NLT 성능을 검증하는 복제 연구
짚을 금으로: 성공적인 시연을 위한 LLM 에이전트 궤적의 사후 재레이블링
ToolFailBench: LLM 에이전트의 도구 사용 실패 진단
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.