English(EN) Ensemble Learning for Large Language Models in Text and Code Generation: A Survey

综述论文详述用于文本和代码生成的LLM集成学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-24 04:00

一篇新发表在arXiv上的综述论文详细介绍了用于文本和代码生成的大型语言模型（LLM）的各种集成学习技术。该论文由Jingzhi Gong撰写，将这些方法分为七种主要方法，包括权重合并、知识融合和专家混合。研究强调了集成方法的优势，如提高多样性、增强输出质量和增加应用灵活性，旨在指导未来的研究和实际应用。 AI

影响为提高LLM在文本和代码生成方面的性能和灵活性提供了集成技术的结构化概述。

排序理由该集群包含一篇关于LLM集成学习的学术综述论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Mari Ashiga, Wei Jie, Fan Wu, Vardan Voskanyan, Fateme Dinmohammadi, Paul Brookes, Jingzhi Gong, Zheng Wang · 2026-06-24 04:00

Ensemble Learning for Large Language Models in Text and Code Generation: A Survey

arXiv:2503.13505v3 Announce Type: replace-cross Abstract: Generative Pretrained Transformers (GPTs) are foundational Large Language Models (LLMs) for text generation. However, individual LLMs often produce inconsistent outputs and exhibit biases, limiting their representation of …

报道来源 [1]

Ensemble Learning for Large Language Models in Text and Code Generation: A Survey

相关实体

相关话题