详细内容或原文请订阅后点击阅览

HALLM：通过 Python 终端观察和行动的代理

2018年10月4日 20:06 33 Comments
X Twitter Instagram Mail

在 GoodAI，我们致力于安全 AGI 的进步。大型语言模型 (LLM) 无疑提供了强大的功能，但它们本身也存在局限性 — 尤其是无法在部署后学习新技能。我们的创新方法正是在这里大放异彩。我们设计的代理不仅可以利用 LLM 的基础功能，还可以对其进行显著扩展。通过我们独特的架构和新颖的方法，我们的代理赋予 LLM 持续学习的能力，使它们能够理解复杂的指令、随着时间的推移进行适应，并在复杂的推理和解决问题的任务中表现出色。HALLM 可以联系用户以询问更多信息，或者如果它认为用户可以帮助它做某事，例如安装 Python 包或重新启动系统。在上面的视频中，HALLM 使用内置函数“input”要求用户为其正在编写的俳句建议一个主题。在这个视频中，我们展示了一个场景，其中 HALLM 被呈现一个未知的类对象来交互，以及随后要完成的任务。用户的初始查询伪装成评论（绿色）。之后，LLM 开始与 Python 终端交互，并在“脑海中”实现该目标。黄色中，我们看到 HALLM 在终端中执行的行，蓝色文本代表这些指令的输出。代理对发现意外信息或错误做出快速反应，并找到实现

来源:Marek Rosa - Goodai博客
在 GoodAI，我们致力于安全 AGI 的进步。大型语言模型 (LLM) 无疑提供了强大的功能，但它们本身存在局限性——尤其是无法在部署后学习新技能。我们的创新方法在这里大放异彩。我们设计的代理不仅可以利用 LLM 的基础功能，还可以显著扩展它们。通过我们独特的架构和新颖的方法，我们的代理赋予 LLM 持续学习的能力，使它们能够理解复杂的指令、随着时间的推移进行适应，并在复杂的推理和解决问题的任务中表现出色。 在 GoodAI，我们致力于安全 AGI 的进步。大型语言模型 (LLM) 无疑提供了强大的功能，但它们本身存在局限性——尤其是无法在部署后学习新技能。我们的创新方法在这里大放异彩。我们设计的代理不仅可以利用 LLM 的基础功能，还可以显著扩展它们。通过我们独特的架构和新颖的方法，我们的代理赋予 LLM 持续学习的能力，使它们能够理解复杂的指令、随着时间的推移进行适应，并在复杂的推理和解决问题任务中表现出色。 在 GoodAI，我们致力于安全 AGI 的进步。大型语言模型 (LLM) 无疑提供了强大的功能，但它们本身存在局限性 - 特别是无法在部署后学习新技能。我们的创新方法在这里大放异彩。我们设计的代理不仅可以利用 LLM 的基础功能，还可以显着扩展它们。通过我们独特的架构和新颖的方法，我们的代理赋予 LLM 持续学习的能力，使它们能够理解复杂的指令、随着时间的推移进行适应，并在复杂的推理和解决问题任务中表现出色。 在 GoodAI，我们致力于 安全 AGI 的进步
推移 LLM 强大的 功能 复杂的 指令 AGI 语言 能够 设计的 任务 独特的 代理 GoodAI 方法 解决问题 新技能 部署后