XiaoMi-AI文件搜索系统
World File Search SystemLLM
ARGMED-AGENT：通过论证方案解散的解释临床决策推理
摘要 - 在临床推理中使用大型语言模型（LLM）有两个主要障碍。首先，尽管LLM在自然语言处理（NLP）任务中表现出巨大的希望，但它们在复杂的推理和计划中的表现却没有期望。其次，LLM使用不可解释的方法来做出与临床医生的认知过程根本不同的临床决策。这导致用户不信任。在本文中，我们提出了一个称为argdrestents的多代理框架，该框架旨在使基于LLM的代理通过互动来解释临床决策推理。Argmed-通过论证方案进行临床讨论（一种用于建模临床推理中认知过程的推理机制），然后将论证过程构造为对有冲突关系的指示图构建论证过程。最终，使用符号求解器来确定一系列理性和连贯的论点来支持决策。我们构建了一个正式的Argmed代理模型，并为理论保证提供了当前的猜想。Argmed-Agents使LLM可以通过以自定向方式产生推理的解释来模仿临床论证推理的过程。设置实验表明，与其他及时方法相比，Argsments不仅提高了复杂的临床决策推理问题的准确性，而且更重要的是，它为用户提供了提高其信心的决策解释。索引术语 - 临床决策支持，大语言模型，多代理系统，可解释的AI
Deborah J. Wu- ASU搜索
耶鲁大学研究员，1994 - 97年，法国文明研究中心，法国文明研究中心，1993年，经济学和历史研究生研究C Alifornia的u versity o california，B Erkeley B.A.1993 Graduated summa cum laude in Honors Social Sciences Honors Thesis: The Reciprocal Influence of Law & Social Psychology University Citation of Distinction (awarded to the top six students in the graduating class) Phi Beta Kappa President, Le Cercle Français, 1990-93 P UBLICATIONS B OOKS I NTRODUCTION TO I NTERNATIONAL B USINESS T RANSACTIONS (2d Ed。，Edward Elgar Publ'G，2024年）G uide to l atin International l Aw（第2版，牛津大学出版社2021）（带有莫里斯·霍维茨（Maurice Horwitz）），以实现t Ransactions（Edward Elgar Publ'G，2020年）和教师手册P Aradigms（牛津大学L AW（牛津大学）出版社，2016年），《国际公约》（2d Ed。，西部学术酒吧，2011年）和教师手册的授课手册（West Academic Pub。，2009年）和教师手册和教师手册与L atin的教师手册（牛津大学Univ。出版社，2009年）（与莫里斯·霍维茨（Maurice Horwitz）一起）rticles＆b ook c在国际法下的个人自卫：对推断的人权的案例研究，47 h um。r ts。Q. __（即将于2025年5月）根据国际人权法的单方面制裁：纠正记录，Y Ale J. I Nt'l L. O Nline，2023年9月6日，Q.__（即将于2025年5月）根据国际人权法的单方面制裁：纠正记录，Y Ale J. I Nt'l L. O Nline，2023年9月6日，
mllm-sul：在流量方案中的语义场景理解和本地化的多模式大语言模型
摘要 - 多模式大语言模型（MLLM）在许多自动驾驶任务中都表现出令人满意的效果。在本文中，MLLM可用于解决联合语义场景的理解和风险本地化任务，而仅依靠前视图像。在拟议的MLLM-SUL框架中，双分支视觉编码器首先旨在从两种分辨率中提取特征，并且丰富的视觉信息有助于语言模型，以准确描述不同尺寸的风险对象。然后，对于语言生成，美洲驼模型进行了微调，以预测场景描述，其中包含驾驶场景的类型，风险对象的动作以及驱动意图和自我车辆的建议和建议。最终，基于变压器的网络结合了回归令牌，以定位风险对象。在现有的戏剧 - 罗利人数据集和扩展的戏剧-SRIS数据集上进行了广泛的实验表明，我们的方法是有效的，超过了许多基于图像的最新和基于视频的方法。具体来说，我们的方法在现场理解任务中获得了80.1％的BLEU-1分数和298.5％的苹果酒得分，而本地化任务的精度为59.6％。代码和数据集可在https://github.com/fjq-tongji/mllm-sul上找到。
llm个性化：通过加强管家机器人的加强自我训练将LLM计划者与人类的偏好保持一致
大型语言模型（LLMS）通过利用其语言理解和文本生成功能来显示机器人应用，尤其是任务计划的重要潜力。然而，在诸如家用机器人技术之类的应用中，这些模型的个性化仍然存在着重要的差距。例如，LLM计划可能会发现执行需要个性化的任务，例如决定基于特定的家庭喜好将杯子放在厨房中的位置。我们介绍了LLM-Persyalize，这是一个新颖的框架，旨在个性化家庭机器人的LLM计划。llm-persyalize使用llm计划在多房间，部分观察的家庭环境中执行迭代计划，并利用从本地观察结果动态构建的场景图。要将LLM计划者个性化对用户偏好，我们的优化管道整合了模仿学习和加强自我训练。我们评估了LLM-个性化家政人员，这是一个具有挑战性的现实世界3D基准，用于家庭重排，表明，成功率比现有的LLM计划者增长了30％以上，这表明与人类偏好相符。
与AI代理一起设计的本地版本的设计与Dify和DSL一起选择，以及llm
1979年1月至1990年3月，日本国家空间发展局。在1985年至1987年期间，他是加拿大遥感中心，担任加拿大国家科学与工程研究委员会的博士后研究员。他于1990年4月移居萨加大学，担任信息科学系教授。他是1998年至2000年期间与科学技术部技术委员会有关的航空和空间的议员。。 他是2002年和2003年的萨加大学议员。 他还是2003年至2005年日本遥感协会的执行议员。。 他自2012年以来一直是日本特别成员的科学委员会。 他是Brawijaya大学的兼职教授。 他还是ICSU/COSPAR的奖励委员会成员。 他还是Nishi-Kyushu大学和Kurume Technology Apply AI研究实验室的兼职教授。 他写了119本书，并发表了728篇期刊论文以及569篇会议论文。 他在2016年获得了98项奖项，包括ICSU/COSPAR VIKRAM SARABHAI奖章，2015年的日本教育部科学奖，等等。 他现在是Ijacsa和Ijisa的总编辑。 http：//teagis.ip.is.saga- u.ac.jp/index.html他是1998年至2000年期间与科学技术部技术委员会有关的航空和空间的议员。他是2002年和2003年的萨加大学议员。他还是2003年至2005年日本遥感协会的执行议员。他自2012年以来一直是日本特别成员的科学委员会。他是Brawijaya大学的兼职教授。 他还是ICSU/COSPAR的奖励委员会成员。 他还是Nishi-Kyushu大学和Kurume Technology Apply AI研究实验室的兼职教授。 他写了119本书，并发表了728篇期刊论文以及569篇会议论文。 他在2016年获得了98项奖项，包括ICSU/COSPAR VIKRAM SARABHAI奖章，2015年的日本教育部科学奖，等等。 他现在是Ijacsa和Ijisa的总编辑。 http：//teagis.ip.is.saga- u.ac.jp/index.html他是Brawijaya大学的兼职教授。他还是ICSU/COSPAR的奖励委员会成员。他还是Nishi-Kyushu大学和Kurume Technology Apply AI研究实验室的兼职教授。他写了119本书，并发表了728篇期刊论文以及569篇会议论文。他在2016年获得了98项奖项，包括ICSU/COSPAR VIKRAM SARABHAI奖章，2015年的日本教育部科学奖，等等。他现在是Ijacsa和Ijisa的总编辑。http：//teagis.ip.is.saga- u.ac.jp/index.html
与AI代理一起设计的本地版本的设计与Dify和DSL一起选择，以及llm
1979年1月至1990年3月，日本国家空间发展局。在1985年至1987年期间，他是加拿大遥感中心，担任加拿大国家科学与工程研究委员会的博士后研究员。他于1990年4月移居萨加大学，担任信息科学系教授。他是1998年至2000年期间与科学技术部技术委员会有关的航空和空间的议员。。 他是2002年和2003年的萨加大学议员。 他还是2003年至2005年日本遥感协会的执行议员。。 他自2012年以来一直是日本特别成员的科学委员会。 他是Brawijaya大学的兼职教授。 他还是ICSU/COSPAR的奖励委员会成员。 他还是Nishi-Kyushu大学和Kurume Technology Apply AI研究实验室的兼职教授。 他写了119本书，并发表了728篇期刊论文以及569篇会议论文。 他在2016年获得了98项奖项，包括ICSU/COSPAR VIKRAM SARABHAI奖章，2015年的日本教育部科学奖，等等。 他现在是Ijacsa和Ijisa的总编辑。 http：//teagis.ip.is.saga- u.ac.jp/index.html他是1998年至2000年期间与科学技术部技术委员会有关的航空和空间的议员。他是2002年和2003年的萨加大学议员。他还是2003年至2005年日本遥感协会的执行议员。他自2012年以来一直是日本特别成员的科学委员会。他是Brawijaya大学的兼职教授。 他还是ICSU/COSPAR的奖励委员会成员。 他还是Nishi-Kyushu大学和Kurume Technology Apply AI研究实验室的兼职教授。 他写了119本书，并发表了728篇期刊论文以及569篇会议论文。 他在2016年获得了98项奖项，包括ICSU/COSPAR VIKRAM SARABHAI奖章，2015年的日本教育部科学奖，等等。 他现在是Ijacsa和Ijisa的总编辑。 http：//teagis.ip.is.saga- u.ac.jp/index.html他是Brawijaya大学的兼职教授。他还是ICSU/COSPAR的奖励委员会成员。他还是Nishi-Kyushu大学和Kurume Technology Apply AI研究实验室的兼职教授。他写了119本书，并发表了728篇期刊论文以及569篇会议论文。他在2016年获得了98项奖项，包括ICSU/COSPAR VIKRAM SARABHAI奖章，2015年的日本教育部科学奖，等等。他现在是Ijacsa和Ijisa的总编辑。http：//teagis.ip.is.saga- u.ac.jp/index.html
使用多模式LLM
摘要 - 以各种内容，编辑样式和工件为特征的短形式视频的兴起，对基于学习的盲目视频质量评估（BVQA）模型构成了重大挑战。多模式大型语言模型（MLLM）以其出色的概括能力而闻名，提出了有希望的解决方案。本文的重点是有效利用预定的MLLM进行短形式视频质量评估，预处理和响应变异性的影响，以及将MLLM与BVQA模型相结合的见解。我们首先研究了框架预处理和采样技术如何影响MLLM的性能。然后，我们引入了一种基于轻量学习的集合方法，该方法可适应从MLLM和最先进的BVQA模型中进行预测。我们的结果表明，通过提出的集合方法表现出了优越的概括。此外，对内容感知的集合权重的分析强调，某些视频特征并未完全由现有的BVQA模型完全代表，从而揭示了潜在的方向以进一步改善BVQA模型。索引术语 - 视频质量评估，短形式视频，多模式大语模型，内容吸引合奏
alis：不安全输入提示的LLM指令安全策略
在大型语言模型中，现有的指令调整方法可能无法在及时注入和越狱等用户输入的攻击方面保持稳健性。受到计算机硬件和操作系统的启发，我们提出了一种指令调用范式的指令，称为木质lm lm I n构造策略（ALIS），以通过将用户输入分解为不可减少的原子指令，并将它们组织到指导流中，从而增强模型性能，以指导它们将响应生成模型响应。alis是一个层次结构，在该结构中，用户输入和系统提示分别被视为用户和内核模式指令。基于ALIS，该模型可以通过忽略或拒绝输入指令来维护安全限制，当时用户模式指令尝试与内核模式指令发生冲突。为了构建Alis，我们还开发了一种自动指令生成方法，用于培训ALIS，并提供一个指令分解任务和相应的数据集。值得注意的是，具有小型模型的ALIS框架仍然可以提高LLM对攻击的弹性的弹性，而不会损失一般的攻击性。我们的代码和数据可在https://github.com/xinhaos0101/alis上获得。
利用 LLM 聊天机器人对加密协议进行形式化描述
提示︓ 以下是用自然语言编写的Yahalom协议、Needham-Schroeder对称密钥认证协议的描述，以及Tamarin Prover的Needham-Schroeder对称密钥认证协议脚本。请为Tamarin Prover编写一个Yahalom协议的脚本……
llm-ir：在多模式对话系统中利用大语言模型来识别意图
这项研究通过引入一种利用大型语言模型（LLM）的新方法来应对多模式对话系统中意图识别的复杂挑战。通过使用低级别适应性（LORA）微调最先进的模型，我们实现了重大的性能改进。为了解决传统方法的局限性，我们采用了一套高级增强技术，包括用于文本提取的光学特征识别（OCR），以及图像裁切，旋转，颜色调整和文本转换，例如同义词更换和句法重新排序。此外，我们整合了知识蒸馏和检索效果生成（RAG）技术，以结合外部知识，从而进一步提高了模型的性能。通过全面的消融研究和细致的参数调整，我们的模型超过了5.35％的基线性能，证明了在多模式意图识别中利用LLM的实质性好处。