XiaoMi-AI文件搜索系统
World File Search SystemLlama
![arxiv：2502.15224v1 [cs.lg] 2025年2月21日](/simg/g:\will\search\icon\source\c\c4e43d6e87f57c621b5360bfb0c134c00cdfa1cf.webp)
arxiv：2502.15224v1 [cs.lg] 2025年2月21日
鉴于大语言模型（LLMS）的出色表现，出现了一个重要的问题：LLM可以进行类似人类的科学研究并发现新知识，并充当AI科学家吗？科学分解是一个迭代过程，需要有效的知识更新和编码。它涉及理解环境，识别新的假设以及对行动的推理；但是，没有专门为LLM代理的科学发现设计的标准化基准。响应这些限制的局面，我们引入了一个新颖的基准，即自动基准，该基准包括必要的方面，以评估自然科学和社会科学中的科学发现的LLM。我们的基准测试基于因果图剖面的原理。它挑战模型以发现隐藏的结构并做出最佳决策，其中包括生成有效的理由。通过与甲骨文进行交互性结合，这些模型通过战略干预措施迭代地完善了他们对不认识的相互作用，化学和社会传播的理解。我们评估了最新的LLM，包括GPT-4，Gemini，Qwen，Claude和Llama，并且随着问题的复杂性的增加而观察到显着的性能下降，这表明机器和人类智慧之间的重要差距表明，未来LLMS的未来发展需要考虑。
用LLMS革新医疗保健
最近的作品探索了用于医疗保健中各种任务的大型语言模型（LLM），结果令人印象深刻。例如，使用Llama（大语言模型META AI）模型对医学文献进行微调，在生物医学质量检查数据集上获得了有希望的结果。LLM在公共卫生和临床任务中的其他应用涉及对几项预测任务进行电子健康记录的培训，而预培训的版本已用于心理健康分析，使用社交媒体进行情感检测。其中一些已将临床准则实施到LLM中以进行决策支持，而Chatgpt和BiomedLM已用于个性化肿瘤学。除了决策和文档外，LLM的应用包括通过问答系统，医疗聊天机器人和虚拟健康助理与患者的互动。他们甚至被应用于分析可穿戴设备的时间序列健康数据，以进行活动识别和健康监测等任务。尽管具有潜力，但LLMS还提出了有关医疗保健领域可靠性和透明度的非常重要的挑战。这些模型可能会在没有彻底验证的情况下产生不正确的医疗信息，这可能导致严重的误诊和治疗错误，通常会产生深度，推理和来源透明度的反应。
学习电磁超物理物理
大型语言模型（LLM），例如Chatgpt，Gemini，Llama和Claude接受了从互联网解析的文本数量的培训，并且表现出了出色的能力，可以以一种与人类无法区分的方式响应复杂提示的能力。对于由带有四个椭圆形谐振器的单位细胞组成的全dielectric寄生虫，我们在多达40,000个数据上呈现了一个llmfien，可以预测只有文本提示的吸收率谱，仅指定了元时间的几何形状。将结果与传统的机器学习方法进行比较，包括馈送前向神经网络，随机森林，线性回归和K-Nearest邻居（KNN）。值得注意的是，使用深度神经网络的大型数据集尺寸的细胞调整LLM（FT-LLM）的性能可比。我们还通过要求LLM预测实现所需光谱所需的几何形状来探索反问题。llms比Humans具有多个优势，这些优点可能使他们有益于研究，包括处理大量数据，数据中发现的隐藏模式并在高维空间中运行的能力。这表明他们可能能够利用对世界的一般知识比传统模型更快地学习，从而使他们的研究和分析工具有价值。
通过社交媒体和变压器模型了解躁郁症：挑战和见解
通过社交媒体和变形金刚模型了解躁郁症：挑战和见解葡萄etsrivastava*，Lokesh Boggavarapu*，Anthony Shin*，Anthony Shin*，Avisek Datta，Yingda Lu，runa bhaumik **伊利诺伊州芝加哥**伊利诺伊州芝加哥大学的同等贡献者**相应的社交媒体* （BD）仍然显着未充满意。复杂性是由与抑郁和焦虑相关的语言模式的重叠产生的，使准确的识别挑战。本研究旨在基准在Reddit帖子上训练的各种变压器模型的性能，以将BD与其他心理健康状况区分开。使用高性能生成AI模型（GPT-4O）作为基准，分析表明某些开放小型模型（ex。MISTRAL，LLAMA）在捕获与BD相关的微妙语言线索方面表现出色，以高精度和召回率达到高达0.86的F1得分。但是，BD经常被错误分类为抑郁症（23％–51％），正常（2％–41％）和焦虑症（1％–7％），强调了对改进方法的需求。该研究强调了特定于域数据的重要性以及更细微的模型以增强BD检测准确性，为更有效的心理健康监测和及时干预铺平了道路。
AI驱动的测试案例生成
这项研究调查了大型语言模型用于测试案例生成的利用。该研究使用Llama提供的大型语言模型和嵌入模型，特别是7B尺寸的Llama2，以生成定义输入的测试用例。这项研究涉及一种使用称为检索产生（RAG）和及时工程的自定义技术的信息。rag是本研究中在本地存储组织信息的一种方法，该信息用于创建测试用例。除了大型语言模型已准备好培训的预训练数据外，该存储的数据被用作互补数据。通过使用此方法，实现可以收集特定的组织数据，因此对所需域有更深入的了解。该研究的目的是研究AI驱动的测试案例生成如何影响整体软件质量和开发效率。这是通过比较基于AI的系统的输出与手动创建测试用例来评估的，因为这是研究时的公司标准。AI驱动的测试用例主要以覆盖范围和时间的形式进行分析，这意味着我们比较了AI系统可以生成测试用例与手动创建的测试案例相比。同样，考虑时间来了解如何影响发展效率。
功能主义、算法和人工智能心智理论的追求
计算机技术的进步催生了一个有趣的论点：可以研究和理解人类大脑是如何按照数字计算机的原理运作的。这一说法后来成为一个更有实质内容的论点：心灵是一台计算机，因为心灵是在大脑中实现的。大型语言模型 (LLM) 的最新成功，例如 Bard（由谷歌制作）、GPT3、ChatGPT（也称为 GPT3.5，由 OpenAI-Microsoft 制作）和 LLaMA（由 Meta 制作），引起了人们对人类与机器智能的讨论的更多关注和关注。其结果是人们开始追求一种合理的心灵理论。功能主义被吹捧为心灵理论的基础，其中拥有心灵并不意味着拥有任何内在品质；相反，它是完成或实现特定任务或功能的能力。这种实现是通过计算程序操作表征结构来实现的。这些程序是规则或配方，称为算法，它们在数据中创建统计关系以产生推理。本文讨论了功能主义理论，展示了它如何为运行人工智能技术的算法奠定基础。通过分析大型语言模型的成功，本文展示了功能主义框架，尽管在实现通用人工智能方面仍有许多工作要做，但它却是人工智能进步的基础。
Mohsin Shah
经验丰富的投资2024年6月 - 2024年8月数据工程实习生史密斯菲尔德，RI•与Amazon Lex创建了聊天机器人，用于通过JIRA跟踪的Amazon Lex；协助效率，并预计将查询减少40％。•设计了用于密码重置和用户注册的Splunk仪表板，为数百万用户识别摩擦和放弃点。•应用雪花SQL表和AWS S3迁移面向客户的网络安全数据，从而提高了5000多种年度演示文稿的数据安全性。Microsoft 2024年1月 - 2024年2月数据科学实习生，马萨诸塞州剑桥市•扩展了Azure ML负责任的AI工具箱和解释LLM的文本，例如GPT-4和Llama，辅助200,000多种模型评估的用户。•实施的石灰解释器，可自定义的基准测量指标和综合UI仪表板中的错误分析模块。•开发了5个教程笔记本，以拥抱面（GPT-Neo，Roberta）和OpenAI API（GPT-4，3.5，3）展示模型分析。马萨诸塞州阿默斯特大学2023年5月 - 2023年9月ML和NLP研究实习生| JaimeJ.Dávila教授| GitHub Code Amherst，马萨诸塞州•分析的多模式变压器模型：BLIP，GIT，剪辑和自定义视觉语言模型（VLM），带有BERT（LLM）编码，
及时工程或微调？大语言模型的网络钓鱼检测案例研究
摘要：大语言模型（LLM）正在重塑机器学习（ML）应用程序开发的景观。能够执行各种任务的多功能LLM的出现降低了人类参与培训和维护ML模型的必要性。尽管有这些进步，但出现了一个关键的问题：这些广义模型是否可以否定对特定于任务模型的需求？本研究通过比较LLM在检测网络钓鱼URL中的有效性与迅速工程技术相对于微调时的有效性来解决这个问题。值得注意的是，我们探讨了用于网络钓鱼URL检测的多种及时工程策略，并将它们应用于两个聊天模型，即GPT-3.5-Turbo和Claude 2。在这种情况下，通过使用1000个样本的测试集，获得的最大结果是92.74％的F1评分。之后，我们对包括GPT-2，BLOOM，BABY LLAMA和DISTILGPT-2在内的一系列基本LLM进行了微调（主要是用于文本生成）的，用于网络钓鱼URL检测。微调方法最终达到了峰值性能，在同一测试集上达到了97.29％的F1分数和99.56％的AUC，从而优于现有的现有先进方法。这些结果表明，尽管LLM通过及时的工程来实现，但可以加快应用程序开发过程，实现不错的表现，但它们不如专用的，特定于任务的LLM。
AI Portfolio vs HPE
Dell AI投资组合旨在通过专业和咨询服务来帮助客户应对这些挑战，以帮助客户建立实施路线图并为AI模型准备数据。1投资组合还包括涵盖机器学习（ML）概念和其他教育主题的培训课程，并为AI提供了验证的设计，以帮助确保实施成功。2此外，Dell与第三方合作，为客户提供其他AI工具，例如带有专用的容器和纸条以开源AI模型部署3，以及轻松部署Meta Llama 2大语言模型（LLM）。4以及大量的计算和PC产品，从移动工作站到支持多达8个高端NVIDIA GPU的服务器，Dell还提供了非结构化数据存储AI所需的高性能文件和对象存储阵列的组合。这些存储产品，包括Dell PowerScale，Objectscale，ECS和板载存储，可以处理AI工作负载经常使用的非结构化数据。5戴尔还与Snowflake合作，为Dell客户提供混合云存储解决方案。6根据戴尔分析（Dell Analysis），截至2023年8月，他们提供了“最广泛的生成AI投资组合”，通过在AI实施过程中提供资源，超越了服务器和存储。7
实施和扩展人工智能
ChatGPT 和其他生成式人工智能 (AI) 系统的发布改变了企业的游戏规则 (Edelman 和 Abraham，2023 年；OpenAI，2022a)。多年来，专家们一直预计人工智能将对几乎所有行业产生深远影响 (Berg 等人，2018 年；Chui 等人，2018 年)。然而，这种新型人工智能——生成式人工智能——正在增强这些预测 (Chui 等人，2022 年)。生成式 AI 包括大型语言模型（例如 LLaMA，参见 Meta AI，2023 年；GPT-3，参见 OpenAI 和 Pilipiszyn，2021 年；Bard，参见 Pichai，2023 年）、基于图像的系统（例如 Midjourney，参见 Midjourney，2022 年；DALL-E，参见 OpenAI，2022b 年；Stable Diffusion，参见 Stability AI，2022 年）和结合不同类型输入的多模态系统（例如 GPT-4，参见 OpenAI，2023 年）以及特定于应用的系统，例如用于蛋白质结构预测的 AlphaFold（Hassabis，2022 年）。任何尝试过这些系统的人都可以很快发现，它们不仅可以为企业提高效率和效能；它们将为企业创造强大的新能力的基础（Chui 等人，2022 年）。推动这些基础模型发展的最大科技公司（《经济学人》，2022 年）已经将这项技术融入其价值主张的核心（Iansiti 和 Lakhani，2020 年）。