LLM-based AI把这种信息获取的难度拉的极低,以前我们要了解一个知识,需要从一部百科全书图书中去查找,效率和质量都很低,而在LLM的加持下,我们可能只需要10秒钟就可以获得高质量的知识内容。接下来的时代,我们需要把这一智能利用往前推一部,让人类突破信息传递的次元壁,能够让人类借助AI的力量,在有限的人类脑力前...
智能代理Agent是以智能方式行事的代理;它感知环境,自主采取行动以实现目标,并可以通过学习或获取知识来提高其性能。 本篇主要针对LLM-based Agent,即Agent基于大语言模型进行思考规划,获取信息,并从大模型与外界学习知识并自学习与利用。 多智能体Multi-Agent则是可以通过多个Agent进行协作配合完成更复杂的工作。 特点: ...
在这项工作中,作者提出了“Solo Performance Prompting”(SPP)的概念,它通过与多个人物进行多轮自我协作,将单个LLM转变为认知协同者(cognitive synergist),与多个角色进行多轮的自我协作。认知协同者(cognitive synergist)指与多个思维协作的智能代理(intelligent agent),通过动态识别和基于任务输入模拟不同的角色,从而提高...
[5] Where to Go Next for Recommender Systems? ID- vs. Modality-based Recommender Models Revisited (SIGIR2023) [6] Exploring Adapter-based Transfer Learning for Recommender Systems: Empirical Studies and Practical Insights (WSDM2024) [7] NineRec: A Suite of Transfer Learning Datasets for Modal...
该工作主要梳理了LLM-based Agent 中的规划(planning)能力。 Paper:Understanding the planning of LLM agents: A survey ArXiv:https://arxiv.org/abs/2402.02716 文章中,作者将planning能力进一步细分为了五个维度: • 任务分解(Task Decomposition)
从ID-based到LLM-based:可迁移推荐系统发展 Paper List:https://github.com/westlake-repl/Recommendation-Systems-without-Explicit-ID-Features-A-Literature-Review 可迁移推荐系统发展历程 推荐系统的核心目标是通过建模用户的历史行为预测最有可能交互的下一个目标。而这一目标在用户交互记录较少的情况下尤为困难,...
事件:苹果的研究者近期提出了一项「大型语言模型强化学习策略(LLaRP)」,可融合在线强化学习将 LLMs 应用于复杂多变的具身智能任务,其任务成功率为已有基线或零试(zero-shot)应用的 1.7 倍。 苹果也搞 LLM-based-Agent 了? 1、苹果的研究者近期发布论文,表明大型语言模型(LLM)可以适配为用于具身视觉任务的泛化策...
该工作主要梳理了LLM-based Agent 中的规划(planning)能力。 Paper:Understanding the planning of LLM agents: A survey ArXiv:https://arxiv.org/abs/2402.02716 解释 文章中,作者将planning能力进一步细分为了五个维度: • 任务分解(Task Decomposition) ...
因此,在使用LLM-based NL2SQL前,需要为常用的数据表以及表中的列添加注释。 表注释 表注释能够帮助LLM-based NL2SQL模型更好地理解表的基础信息,从而能更好地定位SQL语句中涉及的表。注释应简洁明了地概述表的主要内容。如订单、库存等,且尽量控制在10个字以内,避免引入过多的解释。 列注释 列注释通常由常用的...
Tree-based Decoding 示意图 大规模 LLM 和小规模 SSM 协同工作 Speculative Inference 执行 Timeline 对比 大规模的 LLM 在参数量上通常可以达到小规模 SSM 的几十倍甚至上百倍，而 SSM 相比于 LLM，在推理速度上，基于通常的系统实现，也有数倍到数十倍的性能优势，SpecInfer 结合了 SSM 极低的推理延迟以及 ...