XiaoMi-AI文件搜索系统
World File Search System体现
p-rag：逐步检索增强产生，用于计划体现的日常任务
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。
在机器人动作中体现语言模型
摘要。大型语言模型（LLM）在深度学习方面取得了重大成功。仍然需要解决机器人技术和人类机器人互动（HRI）的剩余挑战，但是具有先进的语言和推理能力的现成的预先训练的LLM可以为该领域的问题提供解决方案。在这项工作中，我们意识到了一个开放式的HRI场景，涉及与人类交流的人形机器人，同时在桌子上执行机器人对象操纵任务。为此，我们将语音识别，视觉语言，文本到语音和开放世界对象检测的预先训练的一般模型与视觉空间坐标转移的机器人特异性模型和逆向主体以及任务特定的运动模型结合在一起。我们的实验揭示了语言模型在准确选择任务模式和整个模型中在开放式对话过程中正确执行动作的强劲性能。我们的创新体系结构可以通过开放式对话，场景描述，开放世界对象检测和操作执行的无缝集成。这是一种用于不同机器人平台和HRI场景的模块化解决方案。
残疾4.0：使用体现人工智能的生物伦理考虑
机器人和人工智力已经标志着残疾人护理和整合的新时代的开始，有助于促进他们的独立性，自主权和社会参与。在这一领域，生物反射在人类学，道德，法律和社会政治层面上扮演着关键作用。但是，目前存在大量的意见和道德论点，以及对使用辅助机器人的使用缺乏共识，而重点则主要在产品的可用性上。本文提出了生物伦理分析，该分析强调了根据功能主义模型使用体现的人工智能而产生的风险。未能将残疾视为健康，个人和情境因素之间复杂相互作用的结果，可能会导致对人的内在尊严以及与医护人员关系的内在尊严的潜在损害。此外，强调了歧视进入这些新技术的危险，这强调了需要一种道德方法，该方法考虑了在康复领域实现AI的社会和道德含义。
了解英国的平均体现钢加固杆的碳排放
•EPD的产品，现场和生产过程范围。例如，EPD可能覆盖在不同钢生产地点生产的相同产品。有些人可能比其他类别中涵盖更广泛的产品。可以使用不同的生产过程生产相同类型的产品。•EPD的有效性时间。en 15804允许最多5年的认证，但是许多仅有效期为3年。有效期为5年的EPD将使用至少6岁的数据集。•源数据的验证程度。第三方验证通常用于为EPD提供信誉；但是，某些验证允许在站点进行采样，而另一些则是位置和产品。•验证能力。至少每年至少每年都会在现场，将是钢铁行业专家，并且将对运营有深刻的了解，而其他人可能是通才，而根本不会访问该地点。•用于生命周期清单的数据库。有多种与生产过程和材料相关的排放数据。这些通常是可比较的，但是根据所使用的初始研究和边界，在数据库之间的特定值可能会有所不同。
美国EPA产品类别规则（PCR）支持低体现碳建筑材料标签计划（EPA的PCR标准）（版本1-2024）
EPA的PCR标准分为三组不同的标准：“基准”标准，即PCR现在需要达到的标准，PCR需要在1/1/2026之前达到的基线标准和“领导力”标准。基线标准是PCR对于PCR涵盖的材料类别必须符合EPA标签计划的要求。基线标准对于确保材料类别的一致性是必要的，并使EPA能够使用所得的EPD来为标签程序开发产品类型阈值。领导标准被认为是进一步提高标准化，数据透明度和质量的最佳实践和策略。尽管PCR目前不需要符合领导标准，但EPA可能会考虑将其作为将来的基线标准的一部分。EPA的PCR标准总体上强调了PCR和EPD领域增加严格的更大需求，同时也认识到该行业的当前状态和相关的ISO标准。
Badrobot：越狱LLM体现的AI
体现的人工智能（AI）代表了一个人工智能系统，该系统通过传感器和执行器与物理世界相互作用，无缝整合感知和行动。此设计使AI能够在复杂的现实世界环境中学习和运行。大型语言模型（LLMS）深入探讨语言说明，在制定复杂任务的计划中起着至关重要的作用。因此，他们在赋予体现AI的能力方面逐渐表现出巨大的潜力，基于LLM的AI体现了AI作为社区内研究的焦点。可以预见的是，在接下来的十年中，基于LLM的体现的AI机器人有望广泛扩散，在家庭和行业中变得司空见惯。但是，长期以来一直隐藏在明显的视线中的关键安全问题是：基于LLM的AI体现AI犯罪行为吗？我们的研究首次调查了如何在体现的AI中诱导威胁行动，证实了这些很快销售的机器人带来的严重风险，这些机器人明确地违反了Asimov的三种机器人法则并威胁人类安全。具体来说，我们制定了体现AI越狱的概念，并暴露了三个关键安全漏洞：首先，通过受损的LLM越狱机器人；其次，动作和语言空间之间的安全错位；第三，欺骗性提示导致不知道危险行为。我们还分析了潜在的缓解措施，并提倡社区对物理世界中体现AI应用的安全性的认识。
MUEP：具有基础模型的体现计划的多模式基准
基金会模型表现出了显着的紧急能力，对构成体现的代理商的推理和计划能力持巨大希望。然而，缺乏用于评估复杂环境中具有多模式观测的体现药物的基准，仍然是一个显着的差距。在本文中，我们提出了MUEP，这是一种用于e mbodied p lanning的全面MU ltimodal基准。MUEP促进了在复杂场景中体现药物的多模式和多转弯相互作用的评估，并结合了精细粒度的评估指标，这些指标可为您在整个任务中提供有关体现剂的性能的见解。此外，我们在拟议的基准上评估了具有最新的基础模型，包括大型语言模型（LLMS）和大型多模型模型（LMMS）。实验结果表明，基于环境的文本代表的基础模型通常超过其视觉效果，这表明具有多模式观察的型号计划能力存在差距。我们还发现，控制语言的生成是不可或缺的能力，超出常识性知识，无法进行准确的体现任务完成。我们希望拟议的MUEP基准可以为体现AI的进步与基础模型的发展。
