LLM Research

Enjoy LLM.

项目简介

我们致力于建立一个LLM论文解读笔记仓库，我们将集结LLM领域的经典论文，然后为这些论文提供解读笔记。

通过LLM Research，研究人员可以迅速查阅到LLM领域的重要论文，无需费时费力地查找和筛选。此外，针对(只想粗略浏览LLM领域学术前沿的核心思想的)其他方向的研究人员，本仓库也提供了这些重点论文的相应解读笔记(每篇笔记分为TLDR简版和精读版)，让这部分研究人员必须不花时间去细读每篇原文。

我们已经初步组建好写作小组，并计划于近期三四个月撰写好相应文章的精读笔记。

项目受众

• 想细致学习LLM学习前沿的同学们。
• 对大模型科研感兴趣的研究人员。
• 仅需要对深度学习和NLP有基本了解。

项目亮点

大型语言模型在当今技术领域占据重要地位，其在自然语言处理、文本生成、信息检索等方面的广泛应用不断拓展。随着这一领域的迅速发展，我们意识到研究人员需要一个可供他们快速系统了解LLM基础论文的解读笔记仓库。

如今有许多LLM领域的研究论文，但为了获取全面的了解，研究人员往往需要花费大量时间筛选和阅读这些基础文献。LLM Research 的创立旨在为研究人员提供一个便捷的途径，集结LLM领域的经典论文，并提供论文的解读笔记供简单了解or深入学习这些论文。这种深度解析旨在帮助研究人员更好地理解论文的核心概念，并提供有深度的领域知识。

我们相信，通过LLM Research，研究人员可以更轻松地跟踪LLM领域的最新进展，拓展他们的知识边界。

项目规划

a. 内容规划

我们的项目旨在创建一个系统全面的LLM基础论文解读笔记仓库，以支持对大型语言模型（LLM）领域的学术前沿感兴趣的研究人员。为了实现这一目标，我们已经组建了一个由5名成员组成的小组，专注于整理、深入解析和精读LLM领域的经典论文。想加入的同学们可以加负责人微信: linjh1118_nlp

每一篇精读笔记都将涵盖论文的核心思想、方法和关键贡献，旨在为研究人员提供深刻的理解。每篇笔记将分两个章节，第一个章节是TLDR版，其中将阐述文章的motivation、innovation、insight等核心思想以及核心代码，第二个章节则是全文精读版，这章节的行文逻辑按照原文的行文逻辑来，相当于对每段文章做一个summary，重点要放在methods和discussion，为读者提供一些深度解读。

具体内容见下: 经典论文列表

b. 人力规划

我们的项目将在接下来的三到四个月内进行。在这个时间框架内，我们小组将致力于每周产出5-7篇质量过关的论文笔记。这个周产出计划的目的是确保我们能够迅速而系统地覆盖LLM领域的广泛话题，并为研究人员提供及时的资源。同时，这也有助于确保我们的笔记在质量上经过仔细审查和审核。 此外，为了进一步确保笔记的质量，我们邀请了几位资深老师担任内容审核的角色。这些老师将负责审查、提供反馈，并确保每篇笔记符合标准。通过这一团队构成，我们有信心在规定时间内产出水平过关的经典论文笔记，为研究人员提供有价值的学术资源。

经典论文列表

• Ch1. Parameter-Efficient Fine-Tuning
  • 1. Low Rank Decomposition Method
  • 2. Continuous-Prompt Learning Method
  • 3. Adapter Method
  • 4. Mixed Method
• Ch2. Full Parameter Fine-Tuning
  • 1. LOMO-series
• Ch3. In-Context-Learning
• Ch4. Prompt Engineering
• Ch5. LLM-based Agent
• Ch6. LLM for Other Tasks
  • 6.1 Relation Extraction
  • 6.2 Graph Learning
  • 6.3 Knowledge Graph Reasoning

Ch1. Parameter-Efficient Fine-Tuning

目前还没有一个仓库有系统地整理“parameter-efficient-finetuning”领域论文。所以本仓库优先整理了这方面的论文。力求覆盖peft库中的基础微调方式。

1. Low Rank Decomposition Method

Title	Date	Publication	citation	Summary	Notes	Deadline
LoRA: Low-Rank Adaptation of Large Language Models	2021-10	arXiv	1555		@林景豪	12.23
Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning (AdaLoRA)	2023-02	ICLR	55		@林景豪	12.23
LongLoRA: Efficient Fine-tuning of Long-Context Large Language Models	2023-09	arxiv	16	Lora_series_notes	@林景豪	12.23
QLoRA: Efficient Finetuning of Quantized LLMs	2023-05	arxiv	224		@胡锦琛	1.17
Orthogonal Subspace Learning for Language Model Continual Learning(o-lora)	2023-10	arxiv			@胡锦琛	1.27
S-LoRA: Serving Thousands of Concurrent LoRA Adapters	2023-11	arxiv			@胡锦琛	2.4

2. Continuous-Prompt Learning Method

Title	Date	Publication	citation	Summary	Notes	Deadline
Prefix-Tuning: Optimizing Continuous Prompts for Generation	2021-08	ACL	1859		@余绍缘	12.30
GPT Understands, Too (P-Tuning)	2021-03	AI Open	307		@余绍缘	1.6
The Power of Scale for Parameter-Efficient Prompt Tuning (Prompt-Tuning)	2021-04	EMNLP	1683		@余绍缘	1.13
P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks	2021-10	ACL	220		@余绍缘	1.20
Late Prompt Tuning: A Late Prompt Could Be Better Than Many Prompts	2022-10	EMNLP	6		@余绍缘	1.27
Black-Box Tuning for Language-Model-as-a-Service	2022-06	ICLR	100		@余绍缘	2.4

3. Adapter Method

Title	Date	Publication	citation	Summary	Notes	Deadline
Parameter-Efficient Transfer Learning for NLP (Adapter)	2019-06	ICML	1767		@王淏	12.30
AdapterHub: A Framework for Adapting Transformers	2020-07	EMNLP			@王淏	1.6

4. Mixed Method

Title	Date	Publication	citation	Summary	Notes	Deadline
UniPELT: A Unified Framework for Parameter-Efficient Language Model Tuning	2022-05	ACL	79		@林景豪	12.30
Towards a Unified View of Parameter-Efficient Transfer Learning	2022 -02	ICLR (spotlight)	385		@林景豪	12.30

Ch2. Full Parameter Fine-Tuning

1. LOMO-series

Title	Date	Publication	citation	Summary	Notes	Deadline
Full Parameter Fine-tuning for Large Language Models with Limited Resources	2023-06	arXiv	7		@王淏	12.23
AdaLomo: Low-memory Optimization with Adaptive Learning Rate	2023-10	arXiv			@王淏	12.30

Ch3. In-Context-Learning

Title	Date	Publication	citation	Summary	Notes	Deadline
Chain of Thought Prompting Elicits Reasoning in Large Language Models	2023-01	Nips2022	2141		@袁鑫喆	12.30
Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them	2022-10	ACL2022	62		@袁鑫喆	1.6
Automatic Chain of Thought Prompting in Large Language Models	2022-10	ICLR2022	200		@袁鑫喆	1.13
Multimodal Chain-of-Thought Reasoning in Language Models	2023-02	arxiv	100		@袁鑫喆	1.20

Ch4. Prompt Engineering

Title	Date	Publication	citation	Summary	Notes	Deadline
Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing	2021-07	ACM Computing Surveys	1640		＠胡锦琛	12.30
Exploring Lottery Prompts for Pre-trained Language Models	2023-05	ACL	1		＠胡锦琛	1.6
Making Pre-trained Language Models Better Few-shot Learners	2021-06	ACL	1159		＠胡锦琛	1.13

Ch5. LLM-based Agent

Title	Date	Publication	citation	Summary	Notes	Deadline
ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs	2023-10	arxiv	53		@王淏	1.6
AgentBench: Evaluating LLMs as Agents	2023-10	arxiv	12		@王淏	1.6
The Rise and Potential of Large Language Model Based Agents: A Survey	2023-09	arxiv	43		@林景豪	1.6
Reflexion: Language Agents with Verbal Reinforcement Learning	2023-06	arxiv	1640		@林景豪	1.6
CAMEL: Communicative Agents for “Mind” Exploration of Large Scale Language Model Society	2023-11	Nips	61		@林景豪	1.13
Generative Agents: Interactive Simulacra of Human Behavior	2023-08	arxiv	263		@林景豪	1.13
Language Models can Solve Computer Tasks	2023-11	Nips	62		@王淏	1.13
ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate	2023-08	arxiv	29		@王淏	1.13
Improving Factuality and Reasoning in Language Models through Multiagent Debate	2023-05	arxiv	75		@王淏	1.20
Self-collaboration Code Generation via ChatGPT	2023-05	arxiv	34		@王淏	1.20
Exploring Large Language Models for Communication Games: An Empirical Study on Werewolf	2023-09	arxiv	10		@林景豪	1.20
Describe, Explain, Plan and Select: Interactive Planning with Large Language Models Enables Open-World Multi-Task Agents	2023-10	Nips	79		@林景豪	1.20

Ch6. LLM for Other Tasks

6.1 Relation Extraction

Title	Date	Publication	citation	Summary	Notes	Deadline
Revisiting Relation Extraction in the era of Large Language Models	2023-05	ACL	14		@王淏	1.20

6.2 Graph Learning

Title	Date	Publication	citation	Summary	Notes	Deadline
G-Adapter: Towards Structure-Aware Parameter-Efficient Transfer Learning for Graph Transformer Networks	2023-05	arXiv			@袁鑫喆	1.20

6.3 Knowledge Graph Reasoning

Title	Date	Publication	citation	Summary	Notes	Deadline
Making Large Language Models Perform Better in Knowledge Graph Completion (KoPA from ZJU)	2023-10	arXiv			@林景豪	1.20

At last

项目负责人

• 林景豪-项目负责人&核心内容创作者（东北大学研究生） 微信: linjh1118_nlp
• 王淏-项目负责人&核心内容创作者（协和医学院医工所研究生） 微信: Wandering_42

核心贡献者

• 余绍缘 核心内容创作者 (吉林大学)
• 袁鑫喆 核心内容创作者 (吉林大学)
• 胡锦琛 核心内容创作者 (吉林大学)
• 吉林大学 车浩源，李昊天，段云娜老师们 核心内容创作者&审核者
• 东北大学 张富，程经纬老师们 核心内容创作者&审核者

核心审查者

1. 非常感谢导师们仔细审查了本仓库的所有笔记内容， 感谢他们的大力支持，同时也感谢吉林大学机器人梦工厂和东北大学IDKE实验室的伙伴们的大力支持

2. 非常感谢datawhale组织的好大哥 谢文睿，范晶晶等对本项目的全程支持。

How to contact me?

If you have any questions or want to join us, please do not hesitate to contact me linjh1118@mails.jlu.edu.cn.

相关LLM学习仓库传送门

此外，我们整理了不少优秀的LLM方面的学习仓库，感谢他们的精彩开源贡献，在这里给出介绍和传送门。

• Awesome-LLM仓库由Xin Cheng等人创建，其中汇总了LLM中各方向的高质量论文，同时也包含针对LLM训练，部署应用，入门博客教程等各种资料的地址。
• ICL_PaperList仓库由Qingxiu Dong等人创建，其中汇总了LLM子方向ICL的高质量论文，同时也孵化出了一篇优秀的综述。
• 邹雨衡, 长琴, 玉琳和众多datawhale开源贡献者一起创作了datawhalechina/prompt-engineering-for-developers，详实地介绍了prompt engineering，如何用chatgpt和langchain搭建LLM应用，如何使用 Gradio 搭建生成式 AI 应用等内容。非常推荐一学~
• 邹雨衡的动手写LLM应用开发是一个面向小白开发者的大模型应用开发教程，旨在结合个人知识库助手项目，通过一个课程完成大模型开发的重点入门。此教程不仅包含了很多LLM开发的实战知识，其对LLM各方面基础知识也进行全面介绍。非常推荐一学~
• 长琴 等人的datawhalechina/hugging-llm详细地介绍了ChatGPT原理、使用和应用。读者学习了之后，即可熟练地编写相应代码来调用openai的api进而完成NLP各种下游任务。
• 陈安东和张帆的datawhalechina/so-large-lm对大模型做出了一个详细的综述，介绍了大模型的技术内容(数据准备、模型构建、训练策略到模型评估与改进等方面)，也介绍了大模型的伦理内容(安全、隐私、环境和法律道德等方面)。非常推荐一学。
• 不要葱姜蒜的self-llm针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生活中。通过这个项目，读者可以本地部署大模型(Chatglm3, Yi, Qwen, Baichuan)等实现一些有趣的LLM案例~ 非常推荐一学~