quchangle1/LLM-Tool-Survey

해결하는 문제

대규모 언어 모델(LLM)을 사용한 도구 학습 분야는 빠르게 성장하고 있지만 연구는 분산되어 있습니다. 이 프로젝트는 주요 논문을 수집하고 체계적인 서베이에 따라 정리하여 초보자가 전체 그림을 이해하기 쉽고 연구자가 관련 작업을 찾기 쉽게 합니다.

작동 방식

이 프로젝트는 도구 학습을 두 가지 주요 질문으로 분류하는 서베이 논문(arXiv에서 제공)을 기반으로 합니다: 도구 학습이 왜 유익한지와 도구 학습이 어떻게 구현되는지. "왜"는 도구(검색 엔진, 데이터베이스, 수학 솔버, Python 인터프리터 등) 사용의 이점과 학습 패러다임 자체의 이점(해석 가능성, 견고성)을 다룹니다. "어떻게"는 워크플로를 작업 계획, 도구 선택, 도구 호출, 응답 생성의 네 단계로 나눕니다. README에는 수백 개의 논문이 나열되어 있으며, 각 논문에는 발표 장소와 arXiv 링크가 태그되어 있고 이러한 범주 아래에 정리되어 있습니다. 또한 벤치마크, 평가 방법, 과제 및 기타 리소스에 대한 섹션도 포함됩니다.

대상 독자

LLM을 사용한 도구 학습에 대한 구조화된 개요를 원하는 연구자, 학생, 산업 개발자, 또는 참조하거나 확장할 편리한 논문 색인이 필요한 사람들.

하이라이트

• 포괄적인 분류 체계: 논문은 도구 학습이 왜 도움이 되는지와 어떻게 수행되는지에 따라 그룹화되며, 네 가지 워크플로 단계가 있습니다.
• 광범위한 논문 목록: 지식 획득, 전문성 향상, 자동화, 상호 작용, 벤치마크 등의 범주에 걸쳐 수십 개의 항목.
• 모든 논문에 대한 arXiv 직접 링크, 발표 장소와 연도가 나열됩니다.
• Frontiers of Computer Science에 수락된 전체 서베이 논문과 더 넓은 접근을 위한 중국어 요약이 포함됩니다.
• 기여 환영: 목록을 최신 상태로 유지하기 위해 이슈와 풀 리퀘스트를 환영합니다.