Introspective Tips: Large Language Model for In-Context Decision Making
論文討論了使用大型語(yǔ)言模型 (LLM) 進(jìn)行上下文決策制定的方法。
近年來(lái)，大型語(yǔ)言模型 (LLM) 已經(jīng)在自然語(yǔ)言處理領(lǐng)域產(chǎn)生了重大影響，在多種任務(wù)中取得了出色的結(jié)果。在這項(xiàng)研究中，作者使用“內(nèi)省提示”來(lái)幫助 LLM 自我優(yōu)化其決策制定。通過(guò)內(nèi)省地檢查軌跡，LLM 生成簡(jiǎn)潔且有價(jià)值的提示，來(lái)改進(jìn)其政策。
這種方法在很少或沒(méi)有示例的情況下提高了代理的表現(xiàn)，考慮了三個(gè)重要場(chǎng)景：從代理過(guò)去的經(jīng)驗(yàn)中學(xué)習(xí)、集成專家演示，并泛化到不同的游戲。
重要的是，我們實(shí)現(xiàn)這些改進(jìn)并不需要微調(diào) LLM 參數(shù)，而是調(diào)整提示以概括上述三個(gè)場(chǎng)景的洞察力。我們的框架不僅支持，而且強(qiáng)調(diào)使用 LLM 進(jìn)行上下文決策制定的優(yōu)勢(shì)。通過(guò)超過(guò) 100 個(gè) TextWorld 游戲的實(shí)驗(yàn)，我們展示了我們的方法的優(yōu)勢(shì)。
論文：
https://www.aminer.cn/pub/646aecaad68f896efa05a6f6
Generative Agents基于大型語(yǔ)言模型,存儲(chǔ)生成代理的自然語(yǔ)言體驗(yàn)記錄,并將這些記憶隨著時(shí)間的推移合成為更高層次的反思,然后動(dòng)態(tài)檢索這些反思以規(guī)劃行為
HuggingGPT能夠處理各種不同模態(tài)和領(lǐng)域的復(fù)雜任務(wù),并在語(yǔ)言、視覺(jué)、語(yǔ)音和其他具有挑戰(zhàn)性的任務(wù)中取得了令人矚目的成績(jī),為人工智能的通用智能（AGI）提供了新的思路
按照產(chǎn)品生產(chǎn)流程或產(chǎn)品組成環(huán)節(jié)構(gòu)建1套環(huán)環(huán)相扣的評(píng)估分析框架,圍繞產(chǎn)業(yè)技術(shù)供給和支撐2條主線,9張清單,形成5個(gè)評(píng)估等級(jí)
用戶可通過(guò)二維碼對(duì)構(gòu)件生產(chǎn)工藝,構(gòu)件信息進(jìn)行追溯,跟蹤與管理,構(gòu)件生產(chǎn)完成之后,通過(guò)一流程一掃碼步驟完成質(zhì)檢,貨運(yùn),信息錄入等多流程的實(shí)時(shí)記錄
建立標(biāo)準(zhǔn)化的能耗采集監(jiān)測(cè)體系,對(duì)接入監(jiān)測(cè)的數(shù)據(jù)進(jìn)行規(guī)范處理,數(shù)據(jù)的動(dòng) 態(tài)分析,及時(shí)干預(yù),保證節(jié)能政策的正確執(zhí)行,企業(yè)水電氣等各項(xiàng)能耗總體降低13%;企業(yè)運(yùn) 營(yíng)成本下降5%
平臺(tái)通過(guò)標(biāo)識(shí)實(shí)現(xiàn)前端信息采集,解決了貨物確權(quán)的問(wèn)題,降低線下人工核驗(yàn)時(shí)間95%,解決動(dòng)產(chǎn)質(zhì)押融資中的重復(fù)質(zhì)押?jiǎn)栴},解決因重復(fù)質(zhì)押引起的融資問(wèn)題事件28起
客戶點(diǎn)檢效率提升58%,客戶滿意度提升20%,設(shè)備平均無(wú)故障開機(jī) 時(shí)間增加268小時(shí),售后服務(wù)人員平均服務(wù)效率提升18%,服務(wù)質(zhì)量提升32%,售后服務(wù)成本 降低15%以上
減少人工計(jì)數(shù)和匯總操作,提 升準(zhǔn)確率70%以上,數(shù)據(jù)顆粒度提升至十位級(jí),降低人員工時(shí)15%以上,客戶實(shí)時(shí)應(yīng)答能力提 升35%,查貨調(diào)貨效率提升40%
通過(guò)統(tǒng)一防疫政務(wù)接口將健康碼,核酸檢測(cè),疫苗接種,場(chǎng)所碼等標(biāo)識(shí)數(shù)據(jù)統(tǒng)一歸集使用,為防疫工作的應(yīng)急響應(yīng)預(yù)案提供關(guān)鍵的數(shù)據(jù)支撐
以智能制造典型場(chǎng)景作為切入點(diǎn),從多個(gè)維度分析系統(tǒng)解決方案的發(fā)展情況,歸納系統(tǒng)解決方案發(fā)展現(xiàn)狀和圖譜,提出系統(tǒng)解決方案技術(shù)應(yīng)用和變革趨勢(shì)
基礎(chǔ)篇分析世界主要國(guó)家的智能制造發(fā)展戰(zhàn)略和國(guó)際標(biāo)準(zhǔn)化組織的智能制造標(biāo)準(zhǔn)化現(xiàn)狀;發(fā)展篇根據(jù)各個(gè)階段的工作重點(diǎn)和標(biāo)志性成果將我國(guó)智能制造標(biāo)準(zhǔn)化工作劃分為探索期
詳實(shí)數(shù)據(jù)研判了智能工廠發(fā)展趨勢(shì);剖析智能制造典型應(yīng)用場(chǎng)景及實(shí)施路徑;總結(jié)行業(yè)工廠數(shù)字化轉(zhuǎn)型差異路徑;提出工廠數(shù)字化轉(zhuǎn)型關(guān)鍵績(jī)效指標(biāo)體系
