PagPassGPT 是一种基于 Generative Pretrained Transformer (GPT) 的密码猜测模型，利用模式结构信息进行策略引导猜测，从而显著提高猜中率；此外，我们提出了 D&C-GEN 来减少生成密码的重复率，采用分治法思想将猜测密码的主任务递归地划分为非重叠子任务，并从父任务中继承知识并预测后续标记；与现有模型相比，我们的方案在正确猜测密码的同时减少了 25% 的重复率。

Apr, 2024

本研究提出 PassGAN，一种基于理论的机器学习算法，使用生成对抗神经网络从实际数据泄露中学习密码列表的分布，并生成高质量的密码猜测，实验证明，该方法优于基于规则和最先进的机器学习密码猜测工具，而且不需要任何关于密码或常见密码结构的先验知识，可以提取许多其他工具无法编码的密码属性。

Sep, 2017

通过使用 Large Language Models (LLMs)，我们提出了 ModelGPT 框架，以满足用户的特定需求，并以更快的速度生成定制化的 AI 模型，以实现更加便利和用户友好的人工智能模型。

Feb, 2024

本文研究了基于深度学习和概率的密码猜测模型，提出了基于 VAE 的最新深度学习模型，在经典数据集上进行了实证分析并比较了各种方法的生成性能和样本特征。

Dec, 2020

本文介绍了一种基于 ChatGPT 的 BookGPT 书籍推荐系统，利用大型语言模型技术实现了书籍的评分、用户评分和书籍概述等三项典型任务。同时，本文还讨论了 BookGPT 在书籍推荐场景中的优缺点，并分析了后续 LLM 在这些场景中的机遇和改进方向。

May, 2023

本文提出了一种基于模式提取和选择的框架，PatternGPT，通过生成大型语言模型的抽取能力和联邦学习的思想来生成丰富的模式，并通过定义标准和优化算法来选择高品质的模式，并优化生成结果和用户体验的质量，从而提高大型语言模型的文本生成能力，有望促进智能对话和内容生成领域的进一步发展。

Jul, 2023

鉴于大型语言模型（LLMs）在同时提供巨大机遇的同时也引发了伦理困境，我们提出了 AuthentiGPT，这是一个有效的分类器，用于区分机器生成的和人类编写的文本。通过给输入文本添加人工噪声，并在语义上比较去噪后的文本与原始文本，AuthentiGPT 利用了黑盒 LLM 来消除输入文本的噪声，以判断内容是否为机器生成。通过只有一个可训练参数，AuthentiGPT 消除了需要大量训练数据集、对 LLM 输出进行水印处理或计算对数似然的需求。在特定领域数据集上具有 0.918 AUROC 分数的 AuthentiGPT 表明其在检测学术环境中的机器生成文本方面的有效性，并凸显了它的潜力。

Nov, 2023

提出基于 HPC 领域的 LLaMA 模型 HPC-GPT，通过生成的 QA 实例进行细粒度调整，提升 LLM 在高性能计算任务中的性能表现。通过在 AI 模型、数据集管理以及数据竞争检测等 HPC 任务中使用 HPC-GPT，得到与现有方法相媲美的结果，展示其在 HPC 相关场景下的优秀性能。实验结果表明 HPC-GPT 潜力巨大，能够弥合 LLM 和 HPC 特定任务之间的性能差距，为复杂计算应用中的语言模型的使用铺平道路。

Oct, 2023

应用大型语言模型在知识产权领域具有挑战性，本研究提出了一种低成本、标准化的过程来训练面向知识产权的语言模型，成功满足了该领域的需求，并证明了在知识产权领域中专门训练的模型的有效性。

Apr, 2024

DB-GPT 是一款现成的 Python 库，将大型语言模型（LLMs）与传统数据交互任务相结合，以增强用户体验和可访问性。它支持各种环境部署，并能够处理包括基本的文本到 SQL 转换以及生成式数据分析等复杂任务。此外，DB-GPT 还提供一系列产品功能，以方便用户将其集成到产品环境中。

Apr, 2024