XiaoMi-AI文件搜索系统
World File Search SystemLLM
llmware以成本释放了英特尔AI PC的功能...
1顶部：所有顶部都是“最佳”，并且大约在定义的最终IP频率之前，具有不同频率和功率目标的不同SKU将具有不同的顶部。没有绝对安全的产品或组件。英特尔不控制或审核第三方数据。您应该咨询其他来源以评估准确性。您的成本和结果可能会有所不同。Intel Technologies可能需要启用硬件，软件或服务激活。您不得使用或促进与本文所述的Intel产品有关的任何侵权或其他法律分析的使用。您同意授予Intel非判有非特许权使用权限的许可，此后起草的任何专利索赔，其中包括此处披露的主题。所描述的产品可能包含设计缺陷或称为Errata的错误，可能导致产品偏离已发布的规格。可应要求提供当前特征的Errrata。©Intel Corporation。英特尔，英特尔徽标和其他英特尔商标是英特尔公司或其子公司的商标。其他名称和品牌可能被称为他人的财产。0125/DC/网格/PDF 361151-001US
像人类一样自我反思，可编辑-llm（e- ...
我们创新了一个可编辑的llm，可以像人类的反思过程一样，可以不断地实时反映和修改生成的内容。更确切地说，我们根据传统的生成大型模型添加了检查机制，该模型实现了添加，删除，纠正和检查生成的文本的操作。在模拟修改完成后，文本质量分数提供的监督信号就像从人类反馈（RLHF）学习一样。然而，与传统的RLHF研究不同，我们的重点不是从多个输出中选择最佳，而是指导LLM逐步改善大草稿，逐步改善高质量的输出，这更像是人类反思的过程，而更多地符合加强学习的过程。更具体地说，我们不是手动注释，而是在粗制模型上生成草稿，但是指导更改模型的更改。我们的方法在真实数据上取得了很好的结果，该数据发现了LLM研究的新研究方向，尤其是在RLHF领域。
利用llms进行因果推理和发现
因果推断广泛应用于社会科学，以分析特定治疗的影响。因果推理工具依赖于事先发现基本因果图，这是一个称为因果发现的过程。传统上，构建因果图取决于专家领域知识。但是，嵌入大型语言模型（LLMS）中的丰富知识提供了一种有希望的选择。尽管如此，仅LLMS在推断完整的因果图方面的表现很差，这主要是因为它们无法说明因果图的定向无环性。为了解决这一限制，我们提出了一种新颖的方法，将LLM与统计因果发现算法相结合，以更好地利用LLM的专家样能力。实验结果表明，所提出的方法显着提高了因果序的准确性，并有效地减少了下游因果效应估计任务中的错误。
使用多代理 LLM 系统优化库存管理
摘要 有效的库存管理需要全面预测需求和优化库存水平的能力，而这传统上只限于人类专业知识。新兴的人工智能方法虽然通过深度学习模型和数据分析提供了有效的解决方案，但往往缺乏整合动态市场洞察和实时数据的灵活性。通过利用多个动态交互大型语言模型 (LLM) 的多样化功能，我们可以克服这些限制并开发一类新的人工智能驱动的库存管理系统。本文介绍了一个多智能体框架，包括项目经理智能体、销售预测智能体和库存经理智能体，它们自主协作以应对库存管理挑战。智能体通过自我和相互修正动态调整库存计划并保持产品可用性。模拟结果表明，库存周转率显著提高，运输成本和持有费用降低，总成本大幅下降，同时保持零缺货率。我们的框架展示了协同 LLM 智能、统计建模的精确度以及不同智能体之间的动态协作的潜力，为自动化和优化供应链管理开辟了新途径。关键词：库存管理、多智能体系统、大型语言模型 (LLM)、供应链优化。
llms学会合作和原因：2024年12月对“经济研究生成AI：用例和对经济学家的影响”的更新，发表在《经济文献杂志》上61（4）
在过去的一年中，大型语言模型（LLMS）在速度，成本效率，准确性以及处理更大文本的能力方面取得了显着进步，与我在初始版本的“经济研究生成AI”（Jel，2023年）中所描述的相比，可以更先进的用例。本文探讨了这些进步如何支持新的推理功能和新工作区，用于间隔LLM协作，例如Claude的文物，Chatgpt的画布或Microsoft的Copilot。此外，它描述了LLM驱动的Internet搜索的最新改进。结合这些进步使经济学家能够在研究中实现显着的生产力提高。此外，我在促进研究中重点介绍了新的用例，例如自动生成的博客文章，演示幻灯片和访谈以及通过Google Notebooklm的播客。
关于信息检索的大型语言模型的第一届研讨会报告（LLM4EVAL 2024），SIGIR 2024
在信息检索（ir）中，除其他应用外，LLMs被积极探索，以进行定时查询文件相关性，包括排名和标签生成[Rahmani等。，2024a; Craswell等。，2024]。后者可用于培训和评估其他功能不力但更有效的排名者。llms用于行业中的相关性标签[Thomas等。，2023]。评估方法将更广泛的LLM和提示应用于标签问题，可能会解决更广泛的质量问题。是在这些观察结果的推动下，我们认为在LLMS背景下的评估策略研讨会会质疑IR和NLP是否真正面临评估策略的范式转变。因此，我们组织了这个研讨会，以通过信息检索镜头对基于LLM的评估提供新的视角。研讨会还提供了一个机会，以反思学术界和行业中基于LLM的评估的好处和挑战。最后，我们鼓励有关进一步评估主题和模型的提交和讨论，而现有文献很少，例如推荐系统，学习排名和扩散模型。本文是我们自己的llm4eval的事件报告[Rahmani等。，2024b]事件，这是与Sigir 2024结合举行的信息检索评估大语模型的第一个用于评估（LLM4EVAL 2024）的研讨会。研讨会举行了一个海报会议，并带有公认的论文和小组讨论。我们报告了如何组织研讨会（第2节），提供有关研讨会（第3节）发生的情况的描述性说明，并报告我们从LLMJudge挑战中学到的东西（第4节）。
Medikal：将知识图作为LLM的助手集成，以增强EMRS的临床诊断
电子病历（EMRS）虽然与现代医疗保健不可或缺的一部分，但由于其复杂性和信息还原而呈现临床推理和诊断的Challenges。为了解决这个问题，我们提出了Medikal（将K Nowledge图作为L LMS的ssistants），该框架将大型语言模型（LLMS）与知识图（kgs）结合在一起，以增强诊断性capabilies。Medikal根据其类型将医疗记录中的实体分配给实体的重要性，从而使候选疾病的精确定位在公里内。它创新采用了类似残留的网络样方法，从而使LLMS诊断可以合并为kg搜索结果。通过基于路径的重新算法算法和填充风格的提示模板，它进一步完善了诊断过程。我们通过对新型开源的中国EMR数据集进行了广泛的实验来验证Medikal的有效性，这表明了其在现实环境中提高临床诊断的潜力。代码和数据集可在https：//github.com/csu-nlp-group/medikal上公开获得。
面对内幕威胁：基于LLM微调
基于异常的检测可有效防止不断发展的内幕威胁，但精度仍然低。当前的数据处理可能会导致信息丢失，并且模型通常会努力区分良性异常和实际威胁。这两个问题都阻碍了精确检测。为了解决这些问题，我们提出了基于大语言模型（LLM）微调的精确异常检测解决方案。通过代表自然语言的用户行为，我们减少了信息丢失。我们使用用户行为模式对比度对异常检测的任务进行微调，使用两阶段策略：首先学习一般行为模式，然后使用特定于用户的数据来改进，以改善良性异常和威胁之间的差异化。我们还实施了一个细粒度的威胁追踪机制，以提供行为级别的审计步道。据我们所知，我们的解决方案是第一个在内幕威胁检测中应用LLM微调的方法，在CERT V6.2数据集中达到了0.8941的F1分数，超过所有基线。
降低LLMS中的隐私风险
对手可以提示该模型提取出来的姓名，电子邮件地址，电话号码或其他敏感信息，以实现恶意目的，如图1所示。一般数据保护法规（欧洲议会和欧盟理事会，2016年）赋予个人被遗忘的权利（RTBF），这可能会限制其个人信息的不同和间接商业使用。这种情况导致我们提出问题：我们如何使LLMS能够保护特定个人的私人数据以减轻隐私风险？在LLM的昂贵培训过程中，将所有私人信息从培训数据中移动并从头开始重新训练它不是一个实用的解决方案（Lison等人。，2021; Kandpal等。，2022;刘等。，2024a）。因此，研究人员旨在采用机器学习（MU）作为替代方案，旨在消除不受欢迎的数据和相关模型的影响而无需重新培训的影响（Cao和Yang，2015; Bourtoule et e;，2021; Jang等。，2022; Si等。，2023;张等。，2023a; Maini等。，2024;刘等。，2024a）。为了评估MU甲基的性能，一些研究已经尝试了问题 -
基于LLM的代理的定义和编排...
基于LLM的代理在软件工程中的可靠应用需要大幅度提高其偏差的准确性和最小化。虽然LLM的规模和性能继续增加，但似乎像单个代理的幻觉一样的现象是不可避免的，因为它们与生成模型中的基本推理机制相关。另一方面，证据开始积累有关通过在代理人群体之间进行协作和辩论来实现所需绩效的可能性。在人类之间发生的工作质量随着工人在任务，有组织的协作以及背景不同的工人之间的讨论而提高。与人类不同，多个必需的AI代理的实例化以及它们之间的协作和讨论非常快，便宜，这使得这种方法变得特别方便。Mosaico EU项目1提出了实施这种方法的理论和技术框架，并将其扩展到非常大的合作代理人，即ai-ai-agent社区。该项目收集了工具辅助软件工程的世界领先的专家：欧洲学术团队，著名的工具提供者（Qodo，Eclipse）和工业用户（Collins Aerospace，Immersospace，Immersion，Unparallial，NBG）。