详细内容或原文请订阅后点击阅览
自然语言提升 LLM 在编码、规划和机器人技术方面的表现
三种神经符号方法可帮助语言模型在自然语言中找到更好的抽象，然后使用这些表示来执行复杂的任务。
来源:MIT新闻 _机器人“语言模型更喜欢使用以自然语言命名的函数，”麻省理工学院电气工程和计算机科学博士生、CSAIL 附属机构、这项研究的主要作者 Gabe Grand SM '23 说道。“我们的工作为语言模型创建了更直接的抽象，并为每个模型分配了自然语言名称和文档，从而为程序员提供了更易于解释的代码并提高了系统性能。”
当被提示进行编程任务时，LILO 首先使用 LLM 根据训练数据快速提出解决方案，然后系统慢慢地更详尽地搜索外部解决方案。接下来，Stitch 有效地识别代码中的常见结构并提取有用的抽象。然后，LILO 会自动命名和记录这些内容，从而生成简化的程序，供系统解决更复杂的任务。
Ada：自然语言指导 AI 任务规划 语言引导抽象：机器人任务的表示“在机器人技术中，我们经常忽略的一个事实是，我们需要对数据进行多少改进才能使机器人在现实世界中发挥作用，”Peng 说。“除了简单地记住图像中的内容以训练机器人执行任务之外，我们还希望利用计算机视觉和字幕模型与语言相结合。通过根据机器人看到的内容生成文本字幕，我们表明语言模型本质上可以为机器人构建重要的世界知识。”LGA 面临的挑战是某些行为无法用语言解释，导致某些任务未得到充分说明。为了扩展它们在环境中表示特征的方式，Peng 和她的同事正在考虑将多模式可视化界面纳入他们的工作中。与此同时，LGA 为机器人在向人类提供帮助时提供了一种更好地感知周围环境的方法。
人工智能领域的“激动人心的前沿”
人工智能领域的“激动人心的前沿”