Accueil Projets Efficient-LLMs-Survey
Efficient-LLMs-Survey

Efficient-LLMs-Survey

par AIoT-MLSys-Lab · GitHub

[TMLR 2024] Modèles de langage large efficaces : Un aperçu

Voir sur GitHub
En termes simples

Lisez une enquête complète sur les modèles de langage large efficaces pour comprendre leur développement et leurs applications dans l'apprentissage automatique.

⭐ Étoiles
🍴 Forks
📜 Licence
Licence non spécifiée
📅 Créé
🔄 Dernier commit
🏷️ Catégorie
Vous maintenez ce projet ?

Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.

Revendiquer cette page →
Efficient-LLMs-Survey — GitHub preview card
📈 Historique des étoiles
1 2591 258
2026-07-202026-07-29
📈 Suivez Efficient-LLMs-Survey

Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.

Gratuit · sans carte · désinscription à tout moment
Recevoir des alertes e-mail →
📄 À propos

[TMLR 2024] Modèles de langage large efficaces : Un aperçu

Efficient-LLMs-Survey compte 1.3k étoiles sur GitHub. Il a été forké 100 fois. Il est développé activement depuis 2023. Ses principaux thèmes sont : efficient-deep-learning, generative-ai, large-language-models, machine-learning-systems.

Frequently asked questions

Qu'est-ce que Efficient-LLMs-Survey ?

[TMLR 2024] Modèles de langage large efficaces : Un aperçu

Efficient-LLMs-Survey est-il open source ?

Efficient-LLMs-Survey est un projet open source.

Efficient-LLMs-Survey est-il gratuit ?

Oui. Efficient-LLMs-Survey est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.

🏅 Mainteneur de ce projet ?
olud.ai badge — Efficient-LLMs-Survey

Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.

[![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)
Plus d'options de badge →
🧬 Partage son ADN avec🧬 Voir la cartographie ADN →

Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.