小牛翻译云平台

1月11日（本周四）18:30，来自小牛翻译的杨迪将为我们带来《面向移动智能设备的机器翻译技术与应用》，本报告将详细阐述在移动智能设备上使用机器翻译所面临的挑战以及解决办法。

本期报告将深入剖析辅助任务在主流多任务学习框架中的作用，着重探讨它们对翻译质量的影响。我们的研究表明，通过精心设计的训练策略和数据处理方法，多任务学习能够在资源受限的环境下达到前所未有的效果。该研究成

生成式大语言模型技术分享第九期——《模型压缩与高效神经网络》回顾，本期报告从传统静态模型压缩方法和动态模型加速方法两个角度进行讲解，对大型语言模型相关的高效方法进行总结。

最近，以ChatGPT为代表的大语言模型在多轮对话等任务上展现出强大的性能，大型语言模型似乎已成为通向通用人工智能的必经之路。然而，模型量级与“智能”之间的关系仍然不得而知，普遍观点认为模型越大性能越

本期报告荣幸地邀请到了来自东北大学自然语言处理实验室的刘新宇博士作为嘉宾，为广大关注大语言模型的朋友们带来了生成式大语言模型技术分享系列的第八期报告——《长序列建模技术》

我们将介绍长序列建模的主流技术方法和思想。其次，详细介绍大语言模型采用的长序列建模相关技术，并思考其未来的发展与挑战。本次报告例举了建模超长序列的主流技术，旨在为大语言模型的研究者带来些许启发。

本次报告由来自东北大学自然语言处理实验室的王成龙博士，为大家带来了《基于人类反馈的强化学习》分享。王成龙博士首先介绍了RLHF技术的提出背景，包括生成式模型训练的不足、强化学习的基础框架等等，然后讲述

强化学习人类反馈（RLHF）作为自然语言生成领域的新兴训练范式，被誉为大语言模型背后的“功臣”，其帮助在一般文本数据语料库上训练的大语言模型和复杂的人类价值观对齐。本质上，RLHF把人类反馈当作对应的

在本期报告中，阿卜杜热西提·热合曼博士主要围绕如何对大语言模型进行微调、如何高效地使用大语言模型展开。