一、 提升 LLM 應用於特定領域的能力：

以電信領域為例，未來 LLM 的發展方向包含：

1. 電信領域 LLM 訓練： 針對電信領域數據訓練 LLM，使其更能理解和處理電信相關任務。

• 實際 LLM 部署： 將 LLM 部署到實際電信環境中，例如基地台、網路設備等，使其能實際應用於電信服務中。
• 針對電信應用的提示工程： 設計針對電信應用場景的提示，引導 LLM 產生更符合需求的輸出。

2. 其他特定領域的應用: LLM 也能應用於醫療、金融、教育等領域，需針對不同領域的數據和需求進行模型訓練和優化。

二、 強化 LLM 的理解和生成能力：

1. 多模態整合與應用： 將文字、圖像、聲音、影片等多種數據模式整合到 LLM 中，使其能更全面地理解和處理資訊，例如透過 3D 多模態數據來理解訊號傳輸環境。

2. 增強規劃與決策能力： 提升 LLM 的多步驟規劃和排程能力，使其能處理更複雜的任務，例如透過結構化推理和自動化任務分解來解決複雜的電信問題。

三、 優化 LLM 的效能和可及性：

1. 模型壓縮與減少回應時間： 開發模型壓縮技術，將 LLM 部署行動裝置的有限環境中，縮短回應時間、降低計算需求，同時不顯著降低效能。

2. 經濟實惠的模型： 探索更小、更具成本效益的 LLM 模型，使其更易於被更多人使用和應用。

四、 提升 LLM 生成文本的可信度：

1. 克服資訊錯誤問題： 開發方法來提高 LLM 輸出結果的準確性，例如使用更好的訓練數據集和驗證機制，減少 LLM 產生錯誤資訊的可能性。

2. 構建具有錯誤資訊辨別能力的偵測器： 開發能辨別 LLM 生成文本中事實真偽的技術，例如結合外部知識庫或搜尋引擎，更準確地判斷資訊來源，並減少錯誤資訊的傳播。

五、 建立更完善的 LLM 評估體系：

1. 開發與現實需求相符的評估框架： 考量應用領域、LLM 生成文本的黑盒特性(只關心其功能，不關心內部原理)、以及文本可能遭受的各種攻擊和後期編輯策略，建立更公平有效的評估框架，使 LLM 的評估結果更貼近實際應用場景。