定义边界：大型语言模型的一系列任务可行性

这篇论文《定义边界：大型语言模型的任务可行性谱》解决了大型语言模型（LLMs）如何识别和拒绝超出其能力范围的任务的关键问题。它通过系统地对LLMs无法完成的任务进行分类，探讨了如何训练这些模型以更好地识别和拒绝这些任务。这项研究具有重要意义，因为它旨在完善LLMs的操作边界，这对它们的实际应用和可靠性至关重要。该论文之所以引人注目，是因为它开发了一个新的数据集来评估LLMs在这一领域的能力，并验证了训练增强措施，这可能会导致更负责任和准确的人工智能系统。这些内容对于专注于改进LLMs在现实场景中功能和安全性的人工智能研究人员和开发人员可能特别有价值。- 大型语言模型（LLMs）在各种任务中表现出色，但无法处理超出其知识和能力范围的查询。 - 本文解决了LLMs需要识别和拒绝不可行任务的需求。 - 作者概念化了LLMs的不可行任务，提供了定义和分类。 - 作者开发并基准测试了一个包含多样的不可行和可行任务的新数据集。 - 作者探索了通过微调来增加LLMs的拒绝能力的培训增强的潜力。 - 实验证实了作者方法的有效性，为改进LLMs在实际应用中的操作边界提供了有希望的方向。