XiaoMi-AI文件搜索系统
World File Search Systemllm
具有碳效率LLM推理的绿色生成AI
生成AI的快速发展引起了环境问题的加剧，特别是关于碳排放的。我们的框架工作，即“ prout”，通过减少大语言模型（LLMS）中推断的碳足迹来解决这些挑战。prout介绍了“生成指令”，以指导自回归的生成过程，在生态可持续性和高质量产出之间取得了平衡。通过使用Llama模型和全球电力网格数据，在现实世界评估中，使用战略优化器进行指令分配和新颖的离线质量评估者，将生成LLM推断的碳足迹降低了40％。这项工作至关重要，因为对推理时间计算量表法律的兴趣不断增加，因此强调了对环保AI解决方案的需求。
llm用例：神经主题模型
Bianchis，F。，Land，S。，＆Hovy，D。（2021）。预训练是在热门主题中：上下文嵌入的嵌入式培训。ACL。https://aclanthology.org/2021.clato-short.96/Banchie，F。，Terragate，S.，Hovy，D.，Navest，D.，D.，D.，D.，D.，D。（2021）。上下文化主题模型零击学习。EACL。https：//www.acltweb.orgweb/anthology/2021.eacla-main.143/
大步：战略辅助的LLM代理框架...
大型语言模型（LLMS）之类的GPT-4已彻底改变了自然语言处理，表现出了显着的语言水平和推理能力。然而，它们在战略多代理决策环境中的应用受到严重限制的阻碍，包括数学推理不佳，遵循说明的困难以及产生错误信息的趋势。这些缺陷阻碍了他们在战略和互动任务中的表现，这些任务需要遵守细微的游戏规则，长期计划，未知环境中的探索以及对对手的举动的预期。为了克服这些障碍，本文介绍了一个新型的LLM代理框架，该框架配备了内存和专业工具，以增强其战略决策能力。我们将工具部署在许多经济上重要的环境中，尤其是双边谈判和多机构和动态机制设计。我们采用定量指标来评估框架在各种策略决策问题中的表现。我们的发现表明，我们的增强框架显着提高了LLM的战略决策能力。当我们强调当前LLM模型的固有限制时，我们通过有针对性的增强功能来证明改进的进步，这表明在LLM应用程序中，在LLM应用程序中，互动式环境的未来发展有前途的方向。
简单的基于LLM的反击Algoseak
通过在线通信平台上使用算法适度，已经观察到自适应语言的增加，旨在逃避有问题内容的自动检测。这种适应语言的一种形式称为“ algospeak”，最常见于大型社交媒体平台，例如tiktok。它具有避免机器可读性的明确意图，建立在leetspeak或线条上。用于自动化内容中的过程的机器学习算法主要依赖于人类注释的数据集和受监督的学习，十个未针对多种语言和语言变化进行调整。这项工作使用了研究文献中确定的linguistic示例来介绍algoSpeak的分类法，并表明，使用LLM（GPT-4），可以将既定术语的79.4％纠正到其真实形式，或者如果需要，则可以纠正其潜在的相关概念。用示例句子，正确识别了98.5％的条款。这项研究表明，LLMS是解决AlgoSkeak避免适度问题的未来。
LLM项目：水产养殖法律和政策 - 联合国
通过法律倡议立场转化气候行动：LLM项目：水产养殖法律和政策 - 仅基于海洋的气候解决方案项目背景下，海洋与环境法研究所（MELAW）因在海洋和环境法教学和研究方面的卓越表现而受到国际认可。Melaw位于Dalhousie University的Schulich法学院中，并进行了研究和咨询活动。Melaw还指导海洋与环境法计划（MELP）学术专业。Melaw是对社会生态气候变化轨迹（横断面）的变革性适应的成员，这是CFREF资助的转化气候行动1倡议的一部分。样品是一个跨学科的大型研究项目，旨在开发创新的适应解决方案，以实现气候变化对加拿大沿海地区的深远影响。与魁北克省大学（Québec）和Dalhousie University（Halifax）的团队合作进行，Transect着重于理解和解决复杂的社会生态系统（SES）问题，这是由于气候变化的当地和全球挑战而引起的。在横断面中，梅拉夫的目标是解决不断发展的法律和政策格局，用于基于海洋的解决方案，以确定公平，公正和可持续的海洋气候行动所需的渐进和变革性法律和政策改革，重点关注沿海社会生态系统的影响和机会。水产养殖为两种适应的气候变化提供了解决方案（例如LLM的参考条款提高粮食安全，提供替代的生计，增强沿海的弹性）和缓解措施（用于碳固换的大量藻类）。有必要了解加拿大和省级法律和政策框架是否可以使水产养殖作为气候变化解决方案的发展，包括通过适当的监管激励措施以及环境和社会保障措施的有效性，以确保此类发展是可持续的，弹性的。
深度学习和流量标志的多模式LLM ...
自动驾驶汽车（AVS）需要可靠的交通标志识别和健壮的车道检测功能，以确保在复杂和动态的环境中实现安全的导航。本文介绍了一种综合方法，结合了先进的深度学习技术和多模式大型语言模型（MLLMS），以实现全面的道路。对于交通标志识别，我们系统地评估了Resnet-50，Yolov8和RT-Det，在Resnet-50中以99.8％的状态效果达到99.8％，Yolov8的精度为98.0％，尽管具有较高的计算机复杂性，但在RT-DECT上的精度达到了96.6％的精度。对于车道检测，我们提出了一种基于CNN的分割方法，通过多项式曲线拟合增强了，该方法在有利条件下肝脏高精度。更重要的是，我们引入了一个轻巧的，多模式的，基于LLM的框架，该框架直接进行了调整的指令，以调整您的小而多样化的数据集，从而消除了对Intial预处理的需求。该框架有效地处理了各种车道类型，复杂的交叉点和合并区域，可以通过不利条件下的推理来提高车道检测可靠性。尽管有限制可用的培训资源，但我们的多模式方法表明了高级推理能力，达到了53.87％的所有准确性（FRM），这一问题总体上是82.83％的总体确保（QNS），在清晰的条件下，泳道的检测准确性为99.6％，在夜间和93.0％的情况下为93.0％的雨水，以及8.0％的雨水，以及8.8的范围。道路退化（95.6％）。拟议的综合框架显着增强了AV感知的可观性，从而极大地促进了在各种和充满挑战的道路方案中更安全的自主驾驶。
AI 从 ML 到 LLM - 礼仪 2024
1943 年 - 美国神经生理学家和控制论专家沃伦·麦卡洛克和自学成才的逻辑学家和认知心理学家沃尔特·皮茨发表了《神经活动中即将出现的想法的逻辑演算》，描述了“麦卡洛克-皮茨神经元”，即神经网络的第一个数学模型
生成式人工智能和金融风险建模法学硕士学位以及......
人工智能技术的一个重要前景是提供低成本手段来减少金融合同摩擦、降低金融服务成本并改善消费者福利（Thakor 2020）。例如，银行和资产管理公司已将不同类型的机器学习和人工智能引入金融信息处理和金融决策中，以改善决策并加速将决策交付给业务线，同时通过合规和风险管理保持信任。在此过程中，公平、问责、隐私、风险和治理相关问题已成为技术和业务角度的首要障碍。学术金融界直到 2017 年左右才开始积极参与相关研究，《金融研究评论》的初步努力是由一期关于“走向金融科技及其他”的特刊发起的（Goldstein 等人 2019）。从那时起，关于人工智能金融文献的知识体系不断扩大，但仍然非常有限（Hendershott 等人 2021）。