アリババの通義实验室による最新の研究によると、既存のテキストから画像を生成するDiffusion Transformerモデルは、特定の関係を持つ複数の画像を生成する能力を既に備えており、少し「ヒント」を与えるだけで「統合理解」し、高品質の複数画像セットを生成できることが示されました。従来のDiffusionモデルは「丸暗記」をする生徒のようなもので、高品質の画像を生成するには大量のデータによるトレーニングが必要でした。しかし、IC-LoRAの活用により、「類推」が得意な秀才のようなモデルとなり、少量のデータで済むようになります。

スイス連邦工科大学ローザンヌ校（EPFL）の最新の研究では、2つの主流の大規模言語モデル（LLM）適応型訓練方法、コンテキスト学習（ICL）と指示微調整（IFT）を比較しました。研究者らは、MT-Benchベンチマークを使用してモデルの指示遵守能力を評価し、特定の状況下では、両方の方法がそれぞれ長所と短所を持つことを発見しました。研究によると、利用可能な訓練サンプル数が少ない場合（例えば50個以下）、ICLとIFTの性能は非常に近似しています。

研究によると、大規模言語モデルはオンラインコンテキスト学習において強力な能力を示し、人間のフィードバックからロボットコードの記述を学習できることがわかりました。Language Model Predictive Control（LMPC）フレームワークを用いることで、人間の入力に対する適応効率を向上させることに成功しました。実験により、LMPCは未見タスクの成功率を向上させ、ロボットの適応学習に強力な支援を提供することが証明されました。研究チームはLMPCフレームワークの適用を通じて、新たな道を切り開き、機械の…