Introspective Tips: Large Language Model for In-Context Decision Making
論文討論了使用大型語言模型 (LLM) 進行上下文決策制定的方法。
近年來，大型語言模型 (LLM) 已經(jīng)在自然語言處理L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。在這項研究中，作者使用“內(nèi)省提示”來幫助 LLM 自我優(yōu)化其決策制定。通過內(nèi)省地檢查軌跡，LLM 生成簡潔且有價值的提示，來改進其政策。
這種方法在很少或沒有示例的情況下提G了代理的表現(xiàn)，考慮了三個重要場景：從代理過去的經(jīng)驗中學(xué)習(xí)、集成專家演示，并泛化到不同的游戲。
重要的是，我們實現(xiàn)這些改進并不需要微調(diào) LLM 參數(shù)，而是調(diào)整提示以概括上述三個場景的洞察力。我們的框架不僅支持，而且強調(diào)使用 LLM 進行上下文決策制定的優(yōu)勢。通過超過 100 個 TextWorld 游戲的實驗，我們展示了我們的方法的優(yōu)勢。
論文：
https://www.aminer.cn/pub/646aecaad68f896efa05a6f6
Generative Agents基于大型語言模型,存儲生成代理的自然語言體驗記錄,并將這些記憶隨著時間的推移合成為更高層次的反思,然后動態(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),并在語言、視覺、語音和其他具有挑戰(zhàn)性的任務(wù)中取得了令人矚目的成績,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個評估等級
用戶可通過二維碼對構(gòu)件生產(chǎn)工藝,構(gòu)件信息進行追溯,跟蹤與管理,構(gòu)件生產(chǎn)完成之后,通過一流程一掃碼步驟完成質(zhì)檢,貨運,信息錄入等多流程的實時記錄
建立標(biāo)準(zhǔn)化的能耗采集監(jiān)測體系,對接入監(jiān)測的數(shù)據(jù)進行規(guī)范處理,數(shù)據(jù)的動 態(tài)分析,及時干預(yù),保證節(jié)能政策的正確執(zhí)行,企業(yè)水電氣等各項能耗總體降低13%;企業(yè)運 營成本下降5%
平臺通過標(biāo)識實現(xiàn)前端信息采集,解決了貨物確權(quán)的問題,降低線下人工核驗時間95%,解決動產(chǎn)質(zhì)押融資中的重復(fù)質(zhì)押問題,解決因重復(fù)質(zhì)押引起的融資問題事件28起
客戶點檢效率提升58%,客戶滿意度提升20%,設(shè)備平均無故障開機 時間增加268小時,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,降低人員工時15%以上,客戶實時應(yīng)答能力提 升35%,查貨調(diào)貨效率提升40%
通過統(tǒng)一防疫政務(wù)接口將健康碼,核酸檢測,疫苗接種,場所碼等標(biāo)識數(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
以智能制造典型場景作為切入點,從多個維度分析系統(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
基礎(chǔ)篇分析世界主要國家的智能制造發(fā)展戰(zhàn)略和國際標(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)各個階段的工作重點和標(biāo)志性成果將我國智能制造標(biāo)準(zhǔn)化工作劃分為探索期
詳實數(shù)據(jù)研判了智能工廠發(fā)展趨勢;剖析智能制造典型應(yīng)用場景及實施路徑;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)鍵績效指標(biāo)體系
