Bootstrapping Cognitive Agents with a Large Language Model

最新推荐文章于 2024-10-02 00:23:27 发布
最新推荐文章于 2024-10-02 00:23:27 发布
阅读量30 收藏
点赞数
分类专栏： LLM Daily LLM Agent 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/140045693
版权

本文是LLM系列文章，针对《Bootstrapping Cognitive Agents with a Large Language Model》的翻译。

用大型语言模型引导认知Agent

摘要

大型语言模型包含嘈杂的世界常识，但很难训练或微调。另一方面，认知架构具有出色的可解释性，并且可以灵活更新，但需要大量的手动工作来实例化。在这项工作中，我们将两全其美结合起来：将基于认知的模型与大型语言模型中编码的嘈杂知识进行引导。通过一个执行厨房任务的具体代理，我们表明，与完全基于大型语言模型的代理相比，我们提出的框架产生了更好的效率。我们的实验表明，大型语言模型是认知架构的良好信息来源，而认知架构反过

了解本专栏 订阅专栏 解锁全文 超级会员免费看
UnknownBody
关注
专栏目录
订阅专栏
LLMs之Agent：Personal_LLM_Agents_Survey的简介、使用方法之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-17 1776
​ LLMs之Agent：Personal_LLM_Agents_Survey的简介、使用方法之详细攻略 目录 Personal_LLM_Agents_Survey的简介 Personal_LLM_Agents_Survey的使用方法 Personal_LLM_Agents_Survey的简介 个人LLM代理(智能体)被定义为一种特殊类型的基于LLM的代理，它与个人数据、个人设备和个人服务深度集成。它们最好部署到资源受限的移动/边缘设备和
笔记-《A Survey of Large Language Models》- 尾声
Working harder, getting stronger!
03-27 1589
Sutton, S.Schuh, K.Lomeli, L.Mann, E.Perez, N.5547–5569.[Online].[152] J.Austin, A.Odena, M.I.Nye, M.353–355.[177] P.V.ACM, 2022.559–578.Drain, S.Fort, D.4582–4597.Yih, Eds.8410–8423.[240] Q.Zhang, M.Chen, A.He, Y.Cheng, W.
LLM Prompt Technique 论文精读-1
Zeeland的博客
07-04 1499
语言模型（LMs）展示了在规模上仅仅通过少量示例或文本指令就能解决新任务的非凡能力。然而，令人矛盾的是，它们在基本功能上却表现出困难，比如算术或事实查找，而更简单、更小的模型却擅长这些。在本文中，我们展示了LMs可以通过简单的API自学使用外部工具，并实现两者的最佳结合。我们引入了Toolformer，一个经过训练的模型，用于决定调用哪些API、何时调用它们、传递什么参数以及如何最好地将结果融入未来的标记预测中。这是以自监督的方式完成的，仅需要每个API的少量演示。
ACL 2017 accepted papers
AI小白入门的博客
10-31 1万+
Accepted Long PapersBiomedicalEnriching Complex Networks with Word Embeddings for Detecting Mild Cognitive Impairment from Speech Transcripts Authors: Leandro Santos, Edilson Anselmo Corrêa Júnior, Os
AAAI2020论文列表（中英对照）
dovings的博客
07-04 6083
AAAI2020论文列表（中英对照）
LLMs：《A Survey on Evaluation of Large Language Models大型语言模型评估综述》理解智能本质(具备推理能力)、AI评估的重要性(识别当前算法的局限性+设
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-30 3906
​ LLMs：《A Survey on Evaluation of Large Language Models大型语言模型评估综述》翻译与解读 LLMs：大型语言模型评估研究综述—理解智能本质(具备推理能力)、AI评估的重要性(识别当前算法的局限性+设计更强大模型的关键工具)、评估LLMs的四大意义、三维度(What+Where+How)综述LLMs评估、LLMs大语言模型的三大关键(Transformer+RLHF+提示工程)、评估LLMs任务六大类(NLURG+REBT+SS+NS+MA+Agent
AAAI2021论文列表（中英对照）
dovings的博客
07-04 8317
AAAI2021论文列表（中英对照）
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
【AAAI 2021】全部接受论文列表（四）
yinizhilianlove的博客
01-14 5949
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2021-01-14 马上春节了，疫情又卷土而来，希望大家注意防护，爱护自己的身体 AAAI 2021论文接收情况   人工智能顶级会议AAAI 2021 已经给出接收论文列表，共有1692篇论文被接收，录取率21%，比去年的20.6%稍微有些上升。单从数量上看，也比去年多了101篇。本届 AAAI 2021已经是第35 届会议了。据 AAAI 2021官方网站，这个 2021年首个人工智能顶会将全.
RFC9297 - Bootstrapping WebSockets with HTTP/3
08-02
The mechanism for running the WebSocket Protocol over a single stream of an HTTP/2 connection is equally applicable to HTTP/3, but the HTTP-version-specific details need to be specified. This document...
Bootstrapping Vision-Language Learning with Decoupled Language Pre-training
结构化论文学习和写作
05-28 450
训练目标：该标准描述了用于指导学习过程的不同损失函数。**研究重点：**该标准强调研究的主要研究方向。模型架构：该标准侧重于 VL 模型的结构设计。监督级别：该标准表明训练数据中的标签程度。模态：该标准指的是模型训练的数据类型。该标准区分模型的训练方式。
BLIP-2: Bootstrapping Language-Image Pre-trainingwith Frozen Image Encoders and Large Language Mode
微风❤水墨
09-24 176
分类需要正负样本，采样策略为在一个batch内寻找负样本，对于一个batch的每一个文本，根据计算的相似性权重，从当前batch选取一个（除自身外）作为负样本，相似性越高选取的概率越大，构成文本样本列表[pos,pos,neg]，图像类似，构成[pos,neg,pos]，构成文本和图像的正负样本（数组中每个代表一个batch，也就是样本大小为3个batch size, 第一个batch是配对的，后2个是不配对的，作为负样本），经过一个线性层， 输出0和1两类。，它与图像编码器交互，用于视觉特征提取。
Bootstrapping Entity Alignment with Knowledge Graph Embedding理解
dreamweaverccc的博客
03-14 2252
Zequn Sun et al. IJCAI 2018. 相关知识介绍 实体对齐(entity alignment)也被称为实体匹配(entity matching)，主要用于消除异构数据中实体冲突、指向不明等不一致性问题，可以从顶层创建一个大规模的统一知识库，从而帮助机器理解多源异质的数据，形成高质量的知识。 Bootstrap是一种统计学上的估计方法，由Stanford统计学的教授Bra...
扩散模型（2）--1
m0_63860007的博客
09-29 789
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
[论文精读]AI-Guardian: Defeating Adversarial Attacks using Backdoors
m0_52911108的博客
09-27 1311
本文提出了AI-Guardian框架，本质是让模型预测结果受到后门控制，而很难被攻击者操纵，从而抵御对抗攻击。在模型训练阶段，AI-Guardian会针对原始训练样本生成一批后门样本（经过后门处理的样本），按标签双射关系为后门样本分配对应标签，实现后门注入；在模型预测阶段，AI-Guardian先对输入数据进行后门处理，然后将其输入到模型，根据模型输出结果、标签双射关系返回对输入数据真实标签的预测结果。
大模型~合集5
最新发布
whaosoft~aiotの开发板商城
10-02 943
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
Linux嵌入式有发展吗，以及对uboot，kernel，rootfs的领悟
rjszcb的博客
09-30 623
上一份工作是2022,11—2023，11年底，汽车公司，底层修修改改，编译镜像，修改后，客户给东西，重新编译给他，客制化配置启动参数，环境，支持应用部门，不懂怎么使用某些驱动。uboot到底是干嘛的，想想，emmc的镜像文件是怎么被读到ddr的，emmc为啥可以被分区，烧录镜像，tftp网络命令为啥可以运行，启动设备时，为啥lcd可以看到图像，kernel还没启动，怎么出图像的。不管做应用开发，驱动开发也好，知道，系统原理，驱动框架，进程管理调度，内核竞争，信号，中断，锁，这些就够了。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 959
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
A bootstrapping approach with 100 replicates was performed to evaluate variation in the inferred Ne trajectories. 是什么意思
07-14
这句话的意思是进行了一种引导法（bootstrapping）的方法，使用100个重复实验来评估推断出的Ne（有效种群大小）轨迹的变异性。引导法是一种通过从原始数据集中进行有放回抽样来生成多个重复样本，并基于这些样本进行...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值