大语言模型（LLMs）的评估方法是研究这些模型的重要组成部分，这篇综述介绍了评估LLMs的方法和维度，并总结了LLMs在不同任务中的成功案例、失败案例和未来挑战。

Jul, 2023

大型语言模型 (LLMs) 能够在不同学科领域发挥作用和限制，加强科学研究，例如通过总结大量出版物加速文献回顾，通过自动语法纠正提升代码开发，和优化科学写作过程。然而，LLMs 面临挑战，如依赖庞大且有时偏颇的数据集，以及出于使用而引发的潜在伦理困境。我们对LLMs在不同领域的影响进行重要讨论，从自然科学中帮助模拟复杂生物序列，到社会科学中解析大规模的定性数据。最后，我们提供一种细致的观点，认为LLMs既是科学进步的福音，也是其边界。

Nov, 2023

对大型语言模型（LLMs）进行了综述，包括三个流行的LLM系列（GPT，LLaMA，PaLM）的特点、贡献和局限性，同时讨论了构建和增强LLMs的技术、为LLM训练、微调和评估准备的常用数据集以及常用的LLM评估指标，最后讨论了未来的挑战和研究方向。

Feb, 2024

综述着重探究语言模型的历史背景、发展过程、因素、原理、现有工作的局限以及未来发展方向，为广大读者提供一个可理解的综合概述。

Feb, 2024

通过文献综述和第一手实验，本文研究了大型语言模型（LLMs）的潜力。尽管LLMs具有成本效益和高效性等优点，但也存在着诸如提示调优、偏见和主观性等挑战。该研究通过利用LLMs进行定性分析的实验提供了新的见解，强调了成功和限制。此外，本文还讨论了缓解挑战的策略，如优化提示技术和利用人类专业知识。我们的工作旨在将LLMs有机地融入人机交互数据工作，并积极促进其负责任的应用，以此回应关于LLMs在研究中负责任应用的持续对话。

Apr, 2024

对大型语言模型（LLMs）在多语种环境中的应用进行了综述，包括训练和推理方法、模型安全性、多领域与语言文化、数据集使用，同时讨论了相关方面的主要挑战和潜在解决方案，并提出了进一步增强语言模型的未来研究方向。

May, 2024

本研究解决了大型语言模型在科学领域应用时面临的高昂计算资源和训练时间的问题。通过对现有方法的总结与分析，本文提出了两条主要的研究方向，即模型规模和数据质量的提升。研究表明，这些方法的综合应用能够显著降低科学领域内使用大型语言模型的成本，推动更可负担的AI解决方案的发展。

Aug, 2024

本研究旨在总结大型语言模型（LLMs）在科学综述生成过程中的应用，发现了众多文献综述阶段可被自动化，并评估了当前相关研究的进展。研究表明，GPT-based LLM在文献综述自动化中占据主导地位，而现有文献中真正应用LLM的综述仅占少数，但预示着LLMs将在未来改变科学综述的开展方式。

Sep, 2024

本研究探讨了大型语言模型（LLMs）在自然语言处理和人工智能领域的快速发展，识别其影响、局限性及未来方向。研究提供了LLM发展的责任开发考虑、算法改进、伦理挑战和社会影响的全面概述，强调了其潜在的社会积极影响和伦理问题。

Sep, 2024

本研究针对大语言模型（LLMs）在学术写作和演讲中使用的词汇进行首次大规模调查，揭示了LLMs如何影响这两种主要的语言表达方式。研究发现，LLM风格的词汇在学术摘要和口头报告中更为频繁地出现，这一趋势预示着LLMs对人类社会的潜在影响将持续增长。

Sep, 2024