Chameleon 是一种早期融合的基于令牌的混合模态模型系列，能够理解和生成任意顺序的图像和文本。它在图像问答、图像描述、文本生成、图像生成和长格式混合模态生成等任务上展现了广泛和通用的能力，包括在图像描述任务中达到了最先进的性能水平，同时在纯文本任务中超越了 Llama-2，与 Mixtral 8x7B 和 Gemini-Pro 等模型竞争，并且能够生成非平凡的图像，所有这些能力都集成在一个模型中。它还在全新的长格式混合模态生成评估中，通过人类评判匹配或超越了更大模型，包括 Gemini Pro 和 GPT-4V，该评估中的提示或输出包含混合的图像和文本序列。Chameleon 在统一建模完整多模态文档方面迈出了重要的一步。

May, 2024

本文提出了 Chameleon 框架，该框架通过在 Large language models（LLMs）上加上合成程序的方式来提高 LLMs 的能力，特别是在处理需要精确数学推理、使用外部工具或获取最新信息的任务时。作者通过使用科学问题答案（ScienceQA）和网页表格解析（TabMWP）两个任务来展示 Chameleon 的效率和适应性，结果表明 Chameleon 可以在这些任务上显著提高模型的准确率，并且使用 GPT-4 作为规划器可以更加稳定和合理地选择工具，并推断给定指令的潜在约束。

Apr, 2023

创建了一种名为 Chameleon 的异构加速器系统，利用分体架构整合了语言模型和信息检索加速器，实现了对于不同的 Retrieval-Augmented Language Model 系统需求的高效加速，并在性能上取得了显著的提升。

Oct, 2023

研究使用适应性采样算法与强化学习进行代码优化，提出了一种名为 “Chameleon” 的解决方案，利用该方案可以大幅缩短优化时间，提高现代深度网络的推理速度。

Jan, 2020

本文提出了 Gazelle—— 一种基于同态加密和传统两方计算技术的可扩展低延迟的安全神经网络推断系统，旨在解决云机器学习隐私保障问题，并在 MNIST 和 CIFAR-10 数据集上展示了 20 至 30 倍于现有最好的系统及超过三个数量级更快的在线运行时间。

Jan, 2018

本文提出了一种名为 Falcon 的端到端的 3 方协议，用于高效的私有机器学习模型训练和推理，它支持高效网络并且包容批量归一化，有安全性保证，并且比先前的解决方案更快速和更高效。

Apr, 2020

通过引入个性化加密策略的新型越狱框架 CodeChameleon，本研究研究了对大型语言模型（LLMs）的安全和伦理协议进行绕过的敌对滥用，提出了基于意图安全识别和响应生成的安全机制假设。我们通过将任务转化为代码完成格式，使用户能够使用个性化加密函数对查询进行加密，以避开意图安全识别阶段。为保证响应生成功能，我们在指令中嵌入了一个解密函数，允许 LLM 成功解密和执行加密的查询。在 7 个 LLM 上进行了广泛的实验，取得了最先进的平均攻击成功率（ASR），其中在 GPT-4-1106 上达到了 86.6％的 ASR。

Feb, 2024

我们提出了 Chameleon，这是一个系统，它有效地利用生成 AI 和基础模型，在最小程度上增加合成生成元组的数据集，以增强被少数群体所代表的覆盖范围，并通过数据修复显著降低了模型在下游任务中的不公平性。

Feb, 2024

该论文提出了一种称为 Chameleon 的高效神经网络架构设计方法，它能够利用现有的高效网络建立模块，并专注于利用硬件特征和适应计算资源以适应目标延迟和 / 或能量限制。通过一系列准确性和资源（延迟和 / 或能量）预测器，该算法能够在各种约束条件下生成出色的模型架构。

Dec, 2018

本文提出了一个针对安全多方计算（secure multi-party computation）在 TensorFlow 平台下的实验框架，并提供了一种开源的最新协议实现方式及具体案例，以及使用 typical 私有机器学习模型方面的基准测试结果。

Oct, 2018