图2a展示了随着时间推移发表的论文数量的趋势，时间线以月为单位表示。该图显示了与LLM4AD相关的研究活动的显著增加，特别是注意到大多数研究是在过去一年内进行的。这表明LLM4AD是一个新兴领域，我们预计随着来自不同领域的学者意识到其巨大潜力，未来研究产出将显著增加。值得注意的是，作为一个快速扩展的领域，大多数作品最初作为预印本发布在Arxiv上。其中许多后来被顶级会议如ICML和NeurIPS接

我们介绍了一种新颖的基于图的检索增强生成（RAG）框架，专为医疗领域设计，称为 MedGraphRAG，旨在增强大型语言模型（LLM）的能力并生成基于证据的结果，从而在处理私人医疗数据时提高安全性和可靠性。我们的综合流程首先使用混合静态-语义方法对文档进行分块，显著提升了对比传统方法的上下文捕获能力。提取的实体用于创建一个三层的层次化图结构，将实体与来自医疗论文和字典的基础医学知识连接起来。这些实

自动推理是可解释人工智能（XAI）领域中一项关键技术，这是一个年轻但迅速发展的领域。可解释性有助于在人工智能系统中建立信任，超越它们仅仅的预测准确性和稳健性。在本文中，我们提出了一个科学发现循环，将机器学习与自动推理相结合，用于生成和选择解释。我们提出了一个解释选择问题的分类法，借鉴了社会学和认知科学的见解。这些选择标准包含了现有概念，并通过新属性进行了扩展。

最近出现的大语言模型（LLMs）标志着人工智能与人类互动的新时代。这些复杂的模型，如Chat-GPT及其后继者，展现出在语言理解方面的显著能力。然而，随着这些大语言模型的指数增长，一个仍然未被充分研究的关键维度是这些模型的个性化。诸如GPT-3等大型基础模型专注于创建一个为广泛任务和用户提供服务的通用模型。这种方法强调了模型的泛化能力，将用户视为一个集体而不是独立个体。虽然对于许多常见应用来说是实

原标题作者摘要: 低资源抽取式文本摘要是一项重要但鲜为人知的研究领域。先前的文献要么专注于生成式文本摘要，要么直接促使像GPT-3这样的大语言模型（LLM）生成摘要。在这项工作中，我们提出了用于低资源抽取式文本摘要的MixSumm。具体来说，MixSumm促使一个开源的LLM，LLaMA-3-70b，生成混合多个主题信息的文档，而不是生成没有混合的文档，然后在生成的数据集上训练一个摘要模型。我们使

在这项工作中，我们使用了几种ATP和AI方法，证明了3000多个先前未经ATP证明的Mizar/MPTP问题，将ATP解决的Mizar问题数量从75%提高到80%以上。首先，我们开始尝试使用cvc5 SMT求解器，该求解器使用了几种基于实例化的启发式方法，与之前应用于Mizar的基于超位置的系统有所不同，并增加了许多新的解决方案。然后，我们使用自动化策略发明来开发cvc5策略，大大提高了cvc5在

个性化颅骨植入物的建模和制造是重要的研究领域，可以缩短患有颅骨损伤的患者的等待时间。个性化植入物的建模可以通过使用基于深度学习的方法部分自动化。然而，这项任务面临着泛化到以前未见分布数据的困难，这使得难以在真实临床环境中使用研究成果。由于获取地面真实标注的困难，必须考虑并引入用于训练深度网络的数据集异质性改进技术。在这项工作中，我们展示了几种增强技术的大规模研究，从经典的几何变换、图像配准、变分自

人工智能模型的成功取决于大规模、多样化和高质量的数据集的可用性，由于数据稀缺、隐私问题和高成本，获取这些数据集可能具有挑战性。合成数据作为一种生成模仿真实世界模式的人工数据的方法已经成为一个有前途的解决方案。本文概述了合成数据研究的应用、挑战和未来方向。

对开发具有高达万亿参数的大型语言模型（LLMs）日益增长的兴趣引发了对资源效率和实际成本的担忧，尤其是考虑到实验的巨大成本。这种情况突显了探索小型语言模型（SLMs）潜力作为资源高效替代方案的重要性。在这种背景下，我们介绍了MiniCPM，特别是1.2B和2.4B非嵌入参数变体，在各自的类别中表现出色，同时展示了与7B-13B LLMs相媲美的能力。在专注于SLMs的同时，我们的方法在未来LLM研

高效微调对于将大型语言模型（LLMs）适应下游任务至关重要。然而，在不同模型上实施这些方法需要付出相当大的努力。我们提出了LLAMAFACTORY，这是一个统一的框架，集成了一套尖端的高效训练方法。它允许用户通过内置的Web UI LLAMABOARD 灵活定制100多种LLMs的微调，无需编码。我们在语言建模和文本生成任务上经验性地验证了我们框架的效率和有效性。该框架已在发布，并已获得超过13,