Xia Hu
Si el estado del arte académico en modelos de lenguaje puede convertirse en algo que un profesional —no un laboratorio de investigación— pueda desplegar y en lo que pueda confiar.
La revisión de Hu "Harnessing the Power of Large Language Models in Practice" (2023, autor sénior) ocupa un rincón distinto de la literatura de revisiones frente a panorámicas densamente académicas al estilo de Zhao o Wen: organiza el campo alrededor de las preguntas que un equipo de despliegue real tiene que responder —qué modelo encaja con qué clase de problema, cómo son los requisitos de datos a escala de producción, cuáles son los costes reales del ajuste fino (fine-tuning) frente al prompting, dónde aparecen las brechas de confianza. El mismo instinto recorre su trabajo en D2K Lab sobre ML automatizado e interpretable: metodología diseñada para que alguien fuera del laboratorio de investigación pueda reproducir el resultado y auditar cómo se llegó a él. Para ai100, esta es la literatura que cartografía cómo debería evaluar el comportamiento de mención de marcas alguien que tiene que defender la evaluación ante un equipo de compras.