Fugu-MT 論文翻訳(概要): LLM for Mobile: An Initial Roadmap

論文の概要: LLM for Mobile: An Initial Roadmap

arxiv url: http://arxiv.org/abs/2407.06573v1
Date: Tue, 9 Jul 2024 06:07:45 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 19:05:47.856814
Title: LLM for Mobile: An Initial Roadmap
Title（参考訳）: LLM for Mobile: 最初のロードマップ
Authors: Daihang Chen, Yonghui Liu, Mingyi Zhou, Yanjie Zhao, Haoyu Wang, Shuai Wang, Xiao Chen, Tegawendé F. Bissyandé, Jacques Klein, Li Li,
Abstract要約: LLMをモバイルエコシステムに適用する必要性は大きい,と我々は主張する。このロードマップでは、モバイルデバイスでネイティブインテリジェンスを実現するために、調査に緊急に必要な6つの方向をまとめる。
参考スコア（独自算出の注目度）: 18.09586255998412
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When mobile meets LLMs, mobile app users deserve to have more intelligent usage experiences. For this to happen, we argue that there is a strong need to appl LLMs for the mobile ecosystem. We therefore provide a research roadmap for guiding our fellow researchers to achieve that as a whole. In this roadmap, we sum up six directions that we believe are urgently required for research to enable native intelligence in mobile devices. In each direction, we further summarize the current research progress and the gaps that still need to be filled by our fellow researchers.
Abstract（参考訳）: モバイルがLDMと出会うとき、モバイルアプリのユーザは、よりインテリジェントな利用経験を持つべきだ。これを実現するためには,モバイルエコシステムにLDMを適用することが強く必要である,と私たちは主張する。そのため、私たちは、同僚の研究者にそれを実現するための研究ロードマップを提供しています。このロードマップでは、モバイルデバイスでネイティブインテリジェンスを実現するために、調査に緊急に必要な6つの方向をまとめる。それぞれの方向において、現在の研究の進展と、我々の仲間の研究者がまだ満たす必要があるギャップをさらに要約する。

関連論文リスト

Large Language Model Performance Benchmarking on Mobile Platforms: A Thorough Evaluation [10.817783356090027]
大規模言語モデル(LLM)は、私たちの仕事や日常生活のあらゆる側面にますます統合されています。ユーザのプライバシに関する懸念が高まり、これらのモデルがローカルに展開される傾向が強まっている。急速に普及しているアプリケーションとして、市販のモバイルデバイスのパフォーマンスを懸念しています。
論文参考訳（メタデータ） (2024-10-04T17:14:59Z)
I Need Help! Evaluating LLM's Ability to Ask for Users' Support: A Case Study on Text-to-SQL Generation [60.00337758147594]
本研究では,LLMのユーザサポートを積極的に行う能力について検討する。性能改善とユーザ負担のトレードオフを評価する指標を提案する。我々の実験は、外部からのフィードバックがなければ、多くのLCMがユーザサポートの必要性を認識するのに苦労していることを示している。
論文参考訳（メタデータ） (2024-07-20T06:12:29Z)
Mobile Edge Intelligence for Large Language Models: A Contemporary Survey [32.22789677882933]
モバイルエッジインテリジェンス(MEI)は、クラウドコンピューティングに対するプライバシとレイテンシを改善した、モバイルネットワークのエッジ内のAI機能を提供する。 MEIはデバイス上のAIとクラウドベースのAIの間に位置し、無線通信とエンドユーザよりも強力なコンピューティングリソースを備えている。本稿では,LLMのMEI活用に関する現代の調査を紹介する。
論文参考訳（メタデータ） (2024-07-09T13:47:05Z)
WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
論文参考訳（メタデータ） (2024-07-07T07:15:49Z)
Harnessing the Power of Multiple Minds: Lessons Learned from LLM Routing [8.558834738072363]
本稿では、各入力クエリを最も適した1つのLLMに向けることが可能かどうかを考察する。我々の広範な実験は、そのようなルーティングは有望であるが、すべてのシナリオで実現可能でないことを示唆しているため、ギャップを埋めるためにはより堅牢なアプローチを検討すべきである。
論文参考訳（メタデータ） (2024-05-01T12:04:28Z)
Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs [60.40396361115776]
本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
論文参考訳（メタデータ） (2024-02-19T11:11:08Z)
From Prompt Engineering to Prompt Science With Human in the Loop [12.230632679443364]
本稿では、それに対応する定性的な方法を通じて、コードブック構築にインスパイアされた新しい方法論を提案する。研究者の集合が、厳密なラベル付け、検討、文書化のプロセスを通じて、主観性を排除し、生成プロセスに透明性と複製性をもたらす方法を示します。
論文参考訳（メタデータ） (2024-01-01T01:37:36Z)
Advances in Embodied Navigation Using Large Language Models: A Survey [16.8165925743264]
この記事では、Large Language ModelsとEmbodied Intelligenceの共生について概説する。最先端のモデル、研究方法論をレビューし、既存の埋め込みナビゲーションモデルとデータセットの利点とデメリットを評価する。最後に, 本論文は, インテリジェンスにおけるLLMの役割を解明し, 今後の方向性を予測している。
論文参考訳（メタデータ） (2023-11-01T14:08:56Z)
A Survey on Multimodal Large Language Models [71.63375558033364]
GPT-4Vで表されるマルチモーダル大言語モデル(MLLM)は、新たな研究ホットスポットとなっている。本稿では,MLLMの最近の進歩を追跡・要約することを目的とする。
論文参考訳（メタデータ） (2023-06-23T15:21:52Z)
How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
論文参考訳（メタデータ） (2023-06-09T11:31:50Z)
Search-in-the-Chain: Interactively Enhancing Large Language Models with Search for Knowledge-intensive Tasks [121.74957524305283]
本稿では、情報検索(IR)とLarge Language Model(LLM)のインタラクションのための、textbfSearch-in-the-Chain(SearChain)という新しいフレームワークを提案する。実験の結果、SearChainは複雑な知識集約タスクにおける最先端のベースラインを上回っていることがわかった。
論文参考訳（メタデータ） (2023-04-28T10:15:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。