XiaoMi-AI文件搜索系统
World File Search SystemLLM
利用分类法和LLM进行改进的多模式层次分类
多级分层分类（MLHC）解决了在复杂的多层类结构中对项目进行分类的挑战。但是，传统的MLHC分类通常依赖具有n个独立输出层的骨干模型，这些模型往往会忽略类之间的层次关系。这种疏忽可能导致违反潜在分类法的前提不一致。利用大型语言模型（LLMS），我们提出了新颖的分类学限制过渡性LLM-无知框架进行多模态分类。这种进步的基石是模型在层次级别上执行一致性的能力。我们对MEP-3M数据集的评估 - 与常规LLMS结构相比，具有各种层次级别的多模式电子商务产品数据集具有显着的性能。
利用法学硕士学位变革金融
近年来，像 ChatGPT 这样的大型语言模型 (LLM) 取得了长足的进步，并已应用于各个领域。这些模型基于 Transformer 架构，在大量数据集上进行训练，使它们能够有效地理解和生成人类语言。在金融领域，LLM 的部署正在获得发展势头。这些模型被用于自动生成财务报告、预测市场趋势、分析投资者情绪以及提供个性化的财务建议。利用其自然语言处理能力，LLM 可以从大量金融数据中提取关键见解，帮助机构做出明智的投资选择，并提高运营效率和客户满意度。在本研究中，我们全面概述了 LLM 与各种金融任务的新兴集成。此外，我们通过结合自然语言指令对多个金融任务进行了整体测试。我们的研究结果表明，GPT-4 能够在各种金融任务中有效地遵循提示指令。这项对金融领域法学硕士学位的调查和评估旨在加深金融从业者和法学硕士研究人员对法学硕士学位在金融领域当前作用的理解，发现新的研究和应用前景，并强调如何利用这些技术解决金融行业的实际挑战。
微调在LLMS中提示的功效
本文介绍了我们参加FinCausal 2025 Compeition的方法和发现（Moreno-Sandoval等人。，2025），解决了从财务文件中得出的因果问题，特别是英语和西班牙年度报告。与基于BERT的代币分类（例如基于BERT的提取方法）相比，我们研究了生成模型（例如Llama）的有效性。虽然迅速的优化和很少的学习提供了一些改进，但它们不适合持续超过Fincausal的提取方法，并且患有hAlu take。相比之下，微调生成模型被证明对于最小化的幻觉和实现了卓越的表现至关重要。使用我们的微调多语言模型完成这两个任务，我们的表现要优于我们的外来和单语言方法，在比赛中获得了西班牙语的最高成果，而在比赛中获得了第二好的结果。我们的发现表明，微调的大语言模型非常适合复杂的财务叙事中的因果问答，提供了强大的多语言帽子，并有效地减轻了幻觉。
从新手到专家：LLM代理政策通过逐步加强学习
大语言模型（LLMS）的出色功能在各种自主代理系统中都是至关重要的组成部分。传统方法取决于LLM的固有知识而无需进行微调，但最新的方法已转移了加强学习策略，以进一步增强了代理人与环境和工具一起解决复杂的交互式任务的能力。但是，以前的方法受到稀疏奖励问题的约束，其中现有数据集仅为每个多步推理链提供最终的标量奖励，这可能导致政策学习的无效和效率低下。在本文中，我们介绍了Stepagent，该史蒂格特（Stepagent）利用逐步的奖励来挑战代理商的强化学习过程。继承了新手到专家理论的精神，我们首先比较专家和代理人的行为，以自动生成中间奖励以进行细粒度优化。此外，我们提出了隐性奖励和反向加强学习技术，以促进代理反思和政策调整。进一步的理论分析表明，代理的作用分布可以在多个训练周期上汇聚到专家行动分布。各种数据集的实验结果表明，Stepagent优于现有基线方法。
IWS 2025 OSCE for AI CDSS.pdf NTP示范工具和任务概念... 问题复杂性和LLM：在具有挑战性的环境中的H-M团队可靠性 2025 AIAA Scitech Vidis演示R2ek.pdf 独立领空监视的最佳通信拓扑结构和传感器选择 亚马逊河对青蛙生物多样性和人口的影响 ianik plante
在传统的人机操作中，各种代理人的作用和责任的功能分解被分配为先验。例如，在当前的空中交通运营中，尽管在软件的协助下，人类飞行员对飞机的最终控制。多构成的人机和机器机系统将面临变化和潜在不可预测的复杂性的问题，即将在未来的行星，途中和轨道活动的挑战性情况下。因此，重要的是要将决策动态转移给适当的团队成员，即人类或机器，具体取决于哪种代理商最能在时间预算中解决该特定问题。在本文中，我们考虑了解决问题的方面及其建模的各个方面，这些方面影响了决策的结果，这是解决方案质量的函数以及在所需的时间预算中解决问题的可能性。我们专注于大型语言模型（LLM）作为潜在的机器队友，并得出结论，在开发的当前阶段，实用的，预测的性能是不可行的。简单的示例帮助我们说明当前的LLM将需要基本进步，以在团队决策中提供可靠的支持，尤其是在安全至关重要和关键时期领域。这项研究并不是要降低LLM的显着功能的价值，而是要更好地了解技术的适当使用和所需的添加。
为时已晚，无法使用太早使用？低资源孟加拉语LLMS
我们比较了开放量和封闭式LLM的性能，例如Llama-3和GPT-4与跨孟加拉语下流任务的微调编码器模型，包括翻译，摘要，汇总，释义，问答，提示和自然语言的推流。我们的发现表明，尽管LLM通常在执行任务方面表现出色，但它们在重新制定孟加拉语脚本生成的任务中的表现却是不明智的。关键挑战包括现有LLM对孟加拉脚本的效率低下，从而导致计算成本增加和潜在的性能退化。加法 - 我们重点介绍了通常用于孟加拉NLP任务的机器翻译数据集中的偏差。我们得出的结论是，孟加拉国面向的LLM非常需要，但是该领域通常缺乏为降低一个高效模型所需的高质量预科和指导调整数据集。*
在开放LLMS上应用检索功能的一代，以支持高血压患者的医疗聊天机器人
抽象疾病管理，特别是对于慢性病或老年人，涉及持续监测，生活方式调整和频繁的医疗互动，需要有效的家庭护理解决方案。为了满足这些需求，聊天机器人技术已成为支持患者自主管理健康的有前途的工具。在这种情况下，聊天机器人必须提供及时，准确的信息和持续的善解人意支持，以维持患者的参与度。此外，数据隐私问题需要避免第三方自然语言处理和发电服务。为了满足这些需求，在本文中，我们建议开发聊天机器人，以支持患者管理慢性病，重点关注高血压。特别是，由于隐私要求，我们使用开源大型语言模型来避免专有系统。鉴于他们的性能基于最先进的指标，我们不竞争第三方服务，因此我们结合了检索增强发电（RAG）技术，建立了一个知识库，并通过医学专业人员的投入来提高模型性能。我们评估了七个开源型号，其中包括两个在医疗领域进行的专门培训。我们的结果表明，抹布可显着提高性能，超过没有抹布的专门医疗域模型。这种方法提供了一种有希望的解决方案，用于独立安全地管理慢性条件。
llm和生成AI基础架构的蓝图
Supermicro的超集群参考体系结构旨在解决计划和部署高度复杂的规模规模AI基础架构的挑战。超集群通过提供可互操作的组件（称为“可伸单元（SU）”的基本包装来大大简化基础架构项目。使用NVIDIA的突破性H100/H200 GPU以及Infiniband Compute Fabric -Supermicro Supercluster SU，具有32个超级功能强大的GPU系统，是建立世界上最大的AI AI训练基础设施的终极组成部分。随着需求的增长，这种独特的SU毫不费力地利用Nvidia Quantum Infiniband的力量扩展基础架构 - 确保客户始终具有满足不断发展的
建立国家法学硕士学位
1 国家法学硕士的用例与其他法学硕士相似，但反映了当地的语言、文化和法律，支持政府应用并确保数据主权 2 法学硕士中的参数是指模型中可调整权重的数量，这些权重决定了模型生成准确且与上下文相关的响应的能力。参数数量越多通常意味着更高的潜在性能和更大的复杂性，但也意味着计算要求和成本的增加。来源：FTI Delta
IEEE交易在大型语言模型（LLMS）上用于视频理解的视频技术特殊问题的交易
•使用LLM进行视频分类，操作识别，对象检测和跟踪，细分，字幕和其他视频理解任务的含义。•通过LLM的预训练策略，例如自我监督学习，无监督学习和多任务学习，零/少量视频表示学习。•多模式基础模型的技术进步，包括视觉基础模型，视频语言基础模型和视觉语言动作基础模型。•LLM在各个行业和跨学科领域的视频理解的应用，例如智能制造，机器人技术，智能城市，生物医学和地理。•探索将LLM与扩散模型相结合的能力，以增强视频内容的生成或编辑的可访问性和多样性。•克服与利用LLM有关的视频理解相关的技术障碍，包括对解释性和安全性的担忧。