This field applies machine learning and linguistic models to predict post-translational modification (PTM) sites, such as glutarylation, malonylation, methylation, and propionylation, on protein sequence data. It combines learned sequence representations with evolutionary and structural features to improve prediction accuracy and generalizability. 

Ez a terület a nagy nyelvi modellek automatizált értékelőként való alkalmazását vizsgálja, beleértve a rubrikaalapú pontozást, a páros összehasonlítást, valamint az LLM-bírálók megbízhatóságát, torzításait és az emberi értékeléssel való egyezését. A cél skálázható és megbízható értékelési keretrendszerek fejlesztése generatív rendszerekhez, például kódgenerálás, kérdésmegválaszolás és oktatási értékelés területén.

Ez a terület a kis nyelvi modelleket (SLM) vizsgálja a nagy modellek hatékony alternatívájaként, beleértve az LLM-ekből SLM-ekbe történő tudásdesztillációt, a kvantálást és az érvelési hibák rendszerszintű elemzését. A cél pontos, erőforrás-hatékony és telepíthető nyelvi modellek létrehozása oktatási, pénzügyi és vállalati alkalmazásokhoz.

Ez a terület olyan keresésalapú és ügynökalapú architektúrákat vizsgál, amelyek az információkeresést, a többlépéses érvelést és a doménadaptációt ötvözik. A cél megbízható, LLM-alapú asszisztensek fejlesztése vállalati és digitális banki alkalmazásokhoz.

Ez a terület a nagy nyelvi modellek emberi, kulturális és etikai értékekhez való igazításának módszereit vizsgálja, beleértve az önigazítást és a modellviselkedés benchmarkalapú értékelését. A cél a nyelvi modellek kimeneteinek megbízhatóságának, értelmezhetőségének és biztonságának javítása.