基于对基础模型训练数据的大规模分析和现有解决方案，我们确定了促进负责任的基础模型开发实践所需的缺失基础设施，并概述了政策制定者、开发者和数据创造者如何通过采用通用数据溯源标准来促进负责任的基础模型开发。

Apr, 2024

AI 基础模型的兴起，具有广泛数据训练和可适应下游任务的特点，其机制、应用和社会影响需要更多的跨学科合作来研究。

Aug, 2021

简要介绍了几个提供负责人工智能应用程序的框架，发现大多数框架仅适用于需求调查阶段，仅有一些私人公司提供了支持工具。结果表明，还缺乏一个全面的框架，该框架包含所有负责人工智能的原则和所有 SDLC 阶段，并可由不同技能集和不同目标的用户浏览。

Jun, 2023

基礎模型透明度報告是一種基於社交媒體的透明度報告實踐，用於提供關於基礎模型開發和部署的透明度，以降低合規成本並加強監管要求。

Feb, 2024

基金会模型透明指数通过 100 个细分指标对 10 个主要的基金会模型开发者进行评分，以确定目前的透明水平，并通过行业标准和监管干预促进基金会模型治理的进展。

Oct, 2023

该研究探讨了基于版权内容训练基础模型所面临的法律和伦理风险，重点讨论了如何通过技术手段实现基础模型的合理使用，同时提出法律和技术手段应该共同演进的观点。

Mar, 2023

本文系统地介绍了工具学习在认知起源、模型学习和用户指令等方面的背景，并总结了现有的工具增强和工具导向学习研究，并提出了一个通用的工具学习框架。最后通过 17 个代表性工具的实验结果展示了基金会模型在熟练使用工具方面的潜力，同时指出了需要进一步研究的几个开放性问题。

Apr, 2023

本文介绍了基础模型，深度学习中通过模型大小和训练数据广度和大小的扩展可以对未来的 AI 开发造成破坏。基础模型在各种任务领域（如自然语言处理和计算机视觉）中实现了最先进的性能，并且通过进一步的改进常常得到更好的表现。此外，模型的单一化可能会将众多特定任务的模型替换为由少数公司控制的更少数量的大型模型，从而导致对 AI 的权力和控制的转移，并出现新兴的行为方式：上下文学习。

Dec, 2022

本文检查了基于决策制定的基础模型的范围，并提供了理解问题空间和探索新研究方向的概念工具和技术背景。通过各种方法，例如提示、条件生成建模、规划、最优控制和强化学习，审查了将基础模型用于实际决策制定应用的最近方法，并讨论了该领域的常见挑战和开放问题。

Mar, 2023

医学影像领域的基础模型（FM）具有巨大潜力，但在临床实践中的部署需要广泛的道德考虑。本文旨在强调与基础模型相关的道德问题，并提出一个框架来指导其在医学中的负责任发展和实施。我们仔细研究了诸如患者数据隐私、偏见缓解、算法透明度、可解释性和问责制等道德问题。该提出的框架旨在优先考虑患者福祉，减轻潜在风险，并在 AI 辅助医疗保健中建立信任。

Apr, 2024