feat: add source pdf

gizzcn · Feb 24, 2023 · 5541c88 · 5541c88
1 parent 3a88202
commit 5541c88
Show file tree

Hide file tree

Showing 2 changed files with 1 addition and 1 deletion.
diff --git a/papers/2302.07842.pdf b/papers/2302.07842.pdf
diff --git a/papers/arXiv:2302.07842.md → papers/2302.07842_zh.md b/papers/arXiv:2302.07842.md → papers/2302.07842_zh.md
@@ -2,7 +2,7 @@
 
 ## 摘要
 
-本次调查回顾了语言模型（LM）与推理技能和使用工具能力相结合的作品。前者定义为将潜在的复杂任务分解为更简单的子任务，而后者则包括调用外部模块，如代码解释器。LM 可以通过启发式独立或结合这些增强来利用它们，或者从演示中学习如何做到这一点。在遵守标准缺失标记预测目标的同时，这些增强的 LM 可以使用各种可能是非参数的外部模块来扩展其上下文处理能力，从而从纯语言建模范式上脱离出来。因此，我们将其称为增强语言模型（ALM）。缺失标记目标允许 ALM 学习推理、使用工具，甚至行动，同时仍然执行标准的自然语言任务，甚至在几个基准测试上超越大多数常规 LM。在本文中，在回顾当前 ALM 的进展之后，我们得出结论，这一新的研究方向有可能解决传统 LM 的常见局限性，如可解释性、一致性和可扩展性问题。
+本次探索测试了若干个语言模型的增强版本。前者定义为将潜在的复杂任务分解为更简单的子任务，而后者则包括调用外部模块，如代码解释器。LM 可以通过启发式独立或结合这些增强来利用它们，或者从演示中学习如何做到这一点。在遵守标准缺失标记预测目标的同时，这些增强型的 LM 可以使用各种外部模块来扩展其上下文处理能力，从而从纯语言建模范式上脱离出来。因此，我们将其称为增强语言模型（ALM）。缺失标记目标允许 ALM 学习推理、使用工具，甚至自主行动，同时仍然执行标准的自然语言任务，甚至在几个基准测试上超越大多数常规 LM。在本文中，在回顾当前 ALM 的进展之后，我们得出结论，这一新的研究方向有可能解决传统 LM 的常见局限性，如可解释性、一致性和可扩展性问题。
 
 ## 目录