机构名称：
¥ 1.0
体现的日常任务是体现的AI社区中的一项流行任务，要求代理商根据自然语言说明和视觉观察做出一系列动作。传统的基于学习的方法面临两个挑战。首先，自然语言指令通常缺乏明确的任务计划。其次，需要进行高度培训才能为模型提供对任务环境的了解。以前基于大语言模型（LLM）的作品要么由于缺乏任务特定知识而遭受性能差，要么依靠地面真理作为少数样本。为了解决上述局限性，我们提出了一种称为渐进检索增强发电（P-rag）的新颖方法，该方法不仅有效地利用了LLMS的强大语言处理能力，而且还逐渐积累了特定于任务的知识而没有地面真相。与传统的抹布方法相比，该方法以单发方式从数据基础中检索相关信息以协助生成，p-rag引入了一种迭代方法来逐步更新数据库。在每次迭代中，p-rag检索最新数据库，并从上一个相互作用中获取历史信息，作为当前交互的经验参考。此外，我们还引入了一个更精细的检索计划，该计划不仅可以检索相似的任务，而且还结合了类似情况的检索，以提供更有价值的参考经验。广泛的实验表明，P-rag在不利用地面真理的情况下取得了竞争成果，甚至可以通过自我读取进一步提高绩效。
p-rag：逐步检索增强产生，用于计划体现的日常任务
主要关键词
相关文件推荐
