Autor: admin

Resumen: Los modelos de lenguaje grande (LLM) han demostrado sólidas capacidades de razonamiento en la resolución de problemas matemáticos basados ​​en texto; sin embargo, cuando se adaptan a tareas de razonamiento visual, en particular a la resolución de problemas geométricos, su rendimiento disminuye sustancialmente porque los problemas geométricos presentan desafíos únicos.

Resumen: Los modelos de lenguaje grande (LLM) ofrecen un rendimiento de última generación en tareas de generación y comprensión del lenguaje natural. Sin embargo, el despliegue de modelos comerciales líderes para tareas especializadas, como el comercio electrónico, a menudo se ve obstaculizado por altos costos computacionales, latencia y gastos operativos.

Resumen: Documentamos límites de capacidad empíricos en modelos de lenguaje autorregresivos solo para decodificadores en tareas intensivas en conocimiento.