XiaoMi-AI文件搜索系统
World File Search System子任务
Urbanllm：大型语言模型的自主城市活动计划和管理
基于位置的服务在改善我们的日常生活质量方面起着至关重要的作用。在基于位置的服务的时空环境中，这些模型在时空上环境中的众多专业AI模型的扩散，这些模型难以自主解决有关复杂城市策略和管理的问题。为了弥合这一差距，我们介绍了Urbanllm，这是一种微调的大型语言模型（LLM），旨在解决城市场景中的各种问题。Urbanllm通过将与城市相关的查询分解为可管理的子任务，为每个子任务确定合适的时空AI模型，并对给定查询产生全面响应，从而充当问题解决方案。我们的实验结果表明，在处理有关复杂的城市活动计划和管理方面的问题，Urbanllm极大地胜过其他已建立的LLM，例如Llama和GPT系列。Urbanllm在增强城市场景中解决问题的有效性，减少人类专家的工作量和依赖方面具有巨大的潜力。我们的代码可用：https：//github.com/jiangyue61610306/urbanllm
真实srgd：使用无分类器引导扩散
摘要。现实世界图像超分辨率（RISR）旨在从退化的低分辨率（LR）输入中重新结构高分辨率（HR）图像，以应对诸如模糊，噪声和压缩工件之类的挑战。与传统的超分辨率（SR）不同，该方法通过合成的下采样来典型地生成LR图像，而RISR则是现实世界中降级的复杂性。为了有效地应对RISR的复杂挑战，我们适应了无分类器指导（CFG），这是一种最初用于多级图像生成的技术。我们提出的方法，真实的SRGD（带有无分类器引导扩散的现实世界图像超分辨率），将RISR挑战分解为三个不同的子任务：盲图恢复（BIR），常规SR和RISR本身。然后，我们训练针对这些子任务量身定制的类别条件SR扩散模型，并使用CFG来增强现实世界中的超分辨率效果。我们的经验结果表明，实际SRGD超过了定量指标和定性评估中的现有最新方法，如用户研究所证明的那样。此外，我们的方法在
通过动态脑网络分析复杂问题解决
复杂问题解决是人类大脑的一项高级认知任务，近十年来一直受到研究。伦敦塔 (TOL) 是一款广泛用于研究复杂问题解决的游戏。在本文中，我们旨在探索复杂问题解决及其子任务（即规划和执行）的解剖区域之间的底层认知网络结构。提出了一种用于估计 fMRI 记录每个时刻的大脑网络的新计算模型。所提出的方法将大脑网络建模为人工神经网络，其中权重对应于大脑解剖区域之间的关系。该模型的第一步是预处理，以减少空间冗余，同时提高 fMRI 记录的时间分辨率。然后，使用预处理的 fMRI 信号估计动态大脑网络以训练人工神经网络。研究估计的大脑网络的特性，以识别感兴趣的区域，例如密集连接的大脑区域的中心和子组。通过解码复杂问题解决的规划和执行子任务，展示了建议大脑网络的表征能力。我们的发现与实验心理学以前的研究结果一致。此外，我们还观察到，与执行阶段相比，规划阶段的枢纽更多，并且与执行阶段相比，规划阶段的集群连接更紧密。
家庭能源回扣（IRA 第 50121 和 50122 条）
• 制定申请项目管理计划和时间表，包括请求任务第 II 部分第 1 节中提到的子任务。投标人应描述 1) 如何制定和维护计划和时间表，2) 如何建立灵活性，3) 将跟踪哪些重要组件以支持高效和有效的流程，4) 以及他们使用哪些工具来确保项目按计划进行。投标人应分享项目实施计划的示例，和/或描述准备资金申请的先前经验。
多代理系统中面向代理的计划
通过多种具有多种专业知识和工具的LLM授权代理的合作，多代理系统在解决现实世界中的问题方面取得了令人印象深刻的进步。给定用户查询，需要将查询分解为可以分配给能够求解它们的合适代理的多个子任务中的元代理，以多代理系统的大脑为大脑。在这项研究中，我们确定了面向代理计划的三个关键规定原则，包括解决性，完整性和非差额，以确保可以有效地解决每个子任务，并对对用户查询的满意响应进行质疑。这些原则进一步激发了我们提出的AOP，这是一个新型的多代理系统中面向代理计划的框架，利用快速的任务分解和分配过程，然后通过奖励模型进行有效，有效的评估。根据评估结果，元代理还负责迅速对子任务和调度进行必要的调整。此外，我们将反馈循环集成到AOP中，以进一步提高此类解决问题过程的有效性和鲁棒性。广泛的实验证明了与单一机构系统和多代理系统的存在计划策略相比，AOP在解决现实世界中的问题方面的进步。源代码可在https://github.com/lalaliat/agent-entiented-planning上找到。
计划和解决提示：改进零样本链......
大型语言模型 (LLM) 最近已被证明在各种 NLP 任务中表现出色。为了解决多步骤推理任务，少样本思维链 (CoT) 提示包括一些手工制作的分步推理演示，使 LLM 能够明确生成推理步骤并提高其推理任务准确性。为了消除人工工作，零样本思维链 (CoT) 将目标问题陈述与“让我们一步一步思考”连接起来作为 LLM 的输入提示。尽管零样本思维链 (CoT) 取得了成功，但它仍然存在三个缺陷：计算错误、缺步错误和语义误解错误。为了解决缺步错误，我们提出了计划和解决 (PS) 提示。它由两个部分组成：首先，制定计划将整个任务分成更小的子任务，然后根据计划执行子任务。为了解决计算错误并提高生成的推理步骤的质量，我们扩展了 PS 提示，增加了更详细的说明，并衍生出 PS+ 提示。我们在三个推理问题的十个数据集上评估了我们提出的提示策略。在 GPT-3 上的实验结果表明，我们提出的零样本提示在所有数据集上的表现始终远超零样本 CoT，与零样本思维程序提示相当或超过零样本思维程序提示，并且在数学推理问题上具有与 8 样本 CoT 提示相当的性能。代码可以在 https://github.com/AGI-Edgerunners/Plan-and-Solve-Prompting 找到。
增强灵活性：机器人如何增强人类手术技能
手术是一个高度尊敬的职业，这是有充分理由的：手术需要多年的培训才能获得有关人类解剖学和医学的详细知识。最好的外科医生将这些知识与他们用来治疗患者并帮助他们康复的特殊手动敏捷性结合在一起。外科医生的敏捷性通常将好外科医生与伟大的外科医生分开。幸运的是，人工智能（AI）和机器人技术的新兴进步现在有可能缩小这一差距。Last year, more than 2 million surgeries were performed with robotic systems like Intuitive's da Vinci ( 1 ), which facilitates mini- mally invasive (“keyhole”) surgery to help reduce pain, blood loss, scarring, complica- tions, and recovery time in many procedures involving the appendix, colon, gall bladder, prostate, and others.这些机器人非常复杂，但是几乎每个运动都是由人类外科医生决定的。这是因为手术对错误极为敏感 - 有很多罕见但潜在的边缘条件，即使是单个失败的后果也会导致严重的不良事件，因此可能需要很长时间才能完全自动自动化的机器人足够安全可靠。此外，外科医生和患者可能会害怕完全自身的手术机器人，并且可能会有实质性的监管和法律障碍来获得批准。然而，AI的最新进展正在为提高特定子任务（例如缝合，清理和切除）时增强外科医生的技能开放。而不是“自主”一词，它听起来可能对外科医生和患者有威胁，我们将“增强灵巧性”一词呈现到dembibe系统中，其中手术子任务由近距离
最佳实践#3.1：年度工作计划框架。
1.2 关键任务/活动/任务清单——需要采取哪些举措或行动来实现这些目标？此栏标明了为实现上文列出的年度目标而制定的关键举措或行动。这些构成了工作计划的核心，因为这些活动及其各自的目标指导着实现目标所需的所有行动。通常，需要多项活动才能完成年度里程碑。只列出总结性任务，不要列出任务的详细步骤。详细的子任务应在项目管理/实施工具（如 zoho、Trello 或其他单独的详细电子表格）中单独管理。如果活动描述太长，您可以在注释栏中添加其他注释。
FIRE 2021 法律援助人工智能第三次共享任务概述
摘要 法律援助人工智能共享任务（AILA 2021）第三版重点关注两个问题：（1）法律判决的修辞角色标签和（2）法律文件摘要。任务 1 是上一年的延续，其目标是为案件判决（印度最高法院）中的每个句子分配一个修辞标签——案件事实、下级法院的裁决、论点、法规、先例、判决比例和本法院的裁决。对于任务 2，提供了最高法院判决的全文，任务是通过选择最重要的内容来生成摘要。任务 2 进一步分为两个子任务：（2a）识别法院判决中“值得总结”的句子，以及（2b）从给定的法院判决中生成摘要。