Inicio Proyectos Efficient-LLMs-Survey
Efficient-LLMs-Survey
efficient-deep-learning

Efficient-LLMs-Survey

[TMLR 2024] Modelos de Lenguaje Grande Eficientes: Una Encuesta

por AIoT-MLSys-Lab · GitHub
Estrellas
Ramas
Creado
Último commit
efficient-deep-learninggenerative-ailarge-language-models
Ver en GitHub
En palabras simples

Lee una encuesta completa sobre modelos de lenguaje grandes eficientes para entender su desarrollo y aplicaciones en aprendizaje automático.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
Efficient-LLMs-Survey — GitHub preview card
📈 Historial de estrellas
1 2591 257
2026-07-202026-08-31
📈 Sigue Efficient-LLMs-Survey

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

[TMLR 2024] Modelos de Lenguaje Grande Eficientes: Una Encuesta

Efficient-LLMs-Survey tiene 1.3k estrellas en GitHub. Se ha bifurcado 100 veces. Se desarrolla activamente desde 2023. Sus temas principales son: efficient-deep-learning, generative-ai, large-language-models, machine-learning-systems.

Frequently asked questions

¿Qué es Efficient-LLMs-Survey?

[TMLR 2024] Modelos de Lenguaje Grande Eficientes: Una Encuesta

¿Efficient-LLMs-Survey es de código abierto?

Efficient-LLMs-Survey es un proyecto de código abierto.

¿Efficient-LLMs-Survey es gratis?

Sí. Efficient-LLMs-Survey es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — Efficient-LLMs-Survey

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=aiot-mlsys-lab-efficient-llms-survey)](https://olud.ai/project/aiot-mlsys-lab-efficient-llms-survey.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.