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

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

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

利用混合检索增强生成（HybridRAG）框架，在需要实时响应的任务（如作文帮助）中，将客户端模型与云端模型相结合，通过异步生成的检索增强记忆使客户端模型具备生成高效响应的能力，并实现实时响应无需等待云端内存同步，从而克服了检索增强大型语言模型处理时间长的局限性。实验证明，HybridRAG 在延迟方面优于基于云的检索增强大型语言模型，并在效用方面优于仅具备客户端的模型。

Aug, 2023

通过提出一种名为增强检索增强机器学习（RRAML）的新型框架，将大型语言模型的推理能力与用户提供的数据库中的检索信息相结合，有效地解决了 API 文本输入的上下文限制和外部数据源可用性的局限性。

Jul, 2023

通过引入轻量级的草稿模型，Chimera 提出了一种用于投机采样的新型框架，以有效利用先前生成的令牌来预测后续单词，显著提高了大型语言模型在解码过程中的效率。

Feb, 2024

通过猜测的检索和批量验证，RaLMSpec 提供了对迭代式 RaLM 的加速，保持了相同的模型输出。在多个评估上，RaLMSpec 相对于基准模型可以实现 1.75-2.39 倍的加速比。

Jan, 2024

本研究提出一种名为 CHAMELEON 的深度学习元架构，用于解决新闻推荐中的专门挑战，包括利用用户上下文和文章内容处理物品冷启动问题，并用递归神经网络进行上下文混合会话推荐。结果表明，与传统和最先进的会话推荐算法相比，CHAMELEON 在精度、物品覆盖率、新奇性和降低物品冷启动问题等多个质量因素方面具有更好的效果。

Dec, 2019

Chameleon 是一个独特的混合框架，它通过组合基于加性秘密共享的协议和通用秘密函数评估协议的优点来实现双方合作计算功能；其支持具有签名定点数的向量点积，可用于高效加密数据的挖掘和分类。研究结果显示，与 Microsoft CryptoNets 和 MiniONN 相比，Chameleon 的执行速度分别快 133 倍和 4.2 倍。

Jan, 2018

通过利用计算存储器（CiM）架构，本文提出了一种新的加速检索增强生成（RAG）框架，名为鲁棒 CiM 支持 RAG（RoCR），该框架使用了一种基于对比学习的训练方法和噪声感知训练，可以让 RAG 在 CiM 上高效地搜索配置文件数据，据我们所知，这是首次利用 CiM 加速 RAG 的工作。

May, 2024