XiaoMi-AI文件搜索系统
World File Search Systemllm
VITRON：用于理解的统一像素级视觉 LLM......
我们提出了 V ITRON，一种通用的像素级视觉 LLM，旨在全面理解、生成、分割和编辑静态图像和动态视频。V ITRON 建立在 LLM 主干之上，在其前端模块中集成了用于图像、视频和像素级区域视觉效果的编码器，同时采用最先进的视觉专家作为其后端，通过它 V ITRON 支持一系列视觉端任务，涵盖从低级到高级的视觉理解到视觉生成。为了确保从 LLM 到后端模块的消息传递有效和精确以进行函数调用，我们提出了一种新颖的混合方法，同时集成离散文本指令和连续信号嵌入。此外，我们为 V ITRON 设计了各种像素级时空视觉语言对齐学习，以达到最佳的细粒度视觉能力。最后，建议使用跨任务协同模块来学习最大化任务不变的细粒度视觉特征，增强不同视觉任务之间的协同作用。 V ITRON 演示了 12 多个视觉任务，并在 22 个数据集上进行了评估，展示了其在四个主要视觉任务集群中的广泛能力。总体而言，这项工作阐明了开发更统一的多模态通才的巨大潜力。
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
利用llm进行零日的利用检测
云网络安全性面临挑战，因为网络威胁的复杂性和不断发展的性质，使传统的基于规则的监视系统不足。本文通过解决基于规则的方法的局限性，探讨了大语言模型（LLM）对革命云安全性的潜力。我们调查了LLM如何增强异常检测，产生可行的威胁智能并自动化事件响应过程。通过现实世界中的示例和案例研究，我们证明了LLMS在强化云网络安全方面的实际应用。但是，我们也承认与LLM部署相关的挑战和道德考虑，例如幻觉，偏见和隐私问题。我们提出策略来减轻这些风险，并强调人类监督在LLM驱动的安全系统中的重要性。这项全面的审查强调了LLM在塑造云网络安全的未来方面的重要性，并为这个迅速发展的领域中的研究人员，从业人员和决策者提供了宝贵的见解。
使用fmri prompered llm
摘要 - 从大脑信号中解码语言信息代表了脑部计算机之间的重要研究领域，尤其是在解密fMRI信号的语义信息的背景下。尽管现有工作使用LLM来实现此目标，但他们的方法并未使用端到端方法，并且避免了fMRI到文本的映射中的LLM，为探索LLM在听觉解码中留下了空间。在本文中，我们引入了一种新颖的方法，即大脑提示GPT（BP-GPT）。通过使用从fMRI提取的大脑表示，我们的方法可以利用GPT-2将fMRI信号解码为刺激文本。此外，我们介绍了文本提示，并将fMRI提示对齐。通过引入文本提示，我们的BP-GPT可以提取更强大的大脑提示，并促进预训练的LLM的解码。我们在开源的听觉语义解码数据集上评估了BP-GPT，与现有方法相比，所有受试者的流星的显着提高了流星的4.61％，而BERTSCORE的BERTSCORE则获得了2.43％。实验结果表明，将大脑表示作为进一步驱动听觉神经解码的LLM的提示是可行有效的。该代码可在https://github.com/1994cxy/bp-gpt上获得。索引术语 - 神经解码，大语言模型，fMRI，脑部计算机界面。
LLM医疗保健计算精度RARETECH预印本。 ...
抽象的大语言模型（LLM）已成为医疗保健领域的变革性工具，在自然语言理解和产生中表现出了显着的能力。然而，它们在数值推理方面的熟练程度，尤其是在临床应用中的高风险领域，仍然没有得到充实的态度。数值推理在医疗保健应用中至关重要，影响患者的结果，治疗计划和资源分配。本研究研究了在医疗保健环境中数值推理任务中LLM的计算准确性。使用1,000个数值问题的策划数据集，包括诸如剂量计算和实验室结果解释之类的现实世界情景，根据GPT-3体系结构进行了精制LLM的性能。该方法包括及时的工程，事实检查管道的集成以及正规化技术以增强模型的准确性和泛化。关键指标（例如精度，回忆和F1得分）用于评估模型的功效。结果表明总体准确性为84.10％，在多步推理中直接的数值任务和挑战方面的性能提高了。事实检查管道的整合提高了准确性11％，强调了验证机制的重要性。这项研究强调了LLM在医疗保健数值推理中的潜力，并确定了进一步完善的途径，以支持临床环境中的关键决策。当它们成为这些发现旨在为医疗保健的可靠，可解释和上下文相关的AI工具做出贡献。关键字大语言模型（LLMS）·变压器架构·及时工程·精确度·精确·回忆·F1-SCORE 1简介大语言模型（LLMS）已成为人工智能领域的重大进步，证明了在处理和生成人类语言中的显着能力。这些模型由深度学习技术提供支持，在广泛的数据集上进行了培训，并有可能了解语言，细微差别和语言的复杂性。
幻灯片
传统上，游戏中的AI代理是使用加强学习主导的。随着各种大型语言模型（LLM）的增强，正在探索一个新的范式，这些模型可以直接充当AI代理，或者在游戏环境中通过增强学习增强。我们的项目旨在通过利用诸如流行的动作视频游戏“ Street Fighter II”（例如，利用Mistral 7B或Multomodal LLM）等最新的可访问的仅访问的文本LLM，例如在流行的动作视频游戏“ Street Fighter II”中继续探索LLM的游戏玩法表现。我们主要想讨论两个问题：1）LLM是否不仅可以编码指令，而且还可以直接用作鉴于观察结果的行为的代理策略，以及2）LLMS是否可以通过从所学文本中继承的预训练的知识来促进RL任务。
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。
使用 LLM 框架评估电池健康状态
摘要 — 电池健康监测对于电动汽车 (EV) 的高效可靠运行至关重要。本研究引入了一种基于变压器的框架，利用基于循环和瞬时放电的数据来估计钛酸锂 (LTO) 电池的健康状态 (SoH) 并预测其剩余使用寿命 (RUL)。我们在 500 次循环中对 8 个 LTO 电池在各种循环条件下进行测试，展示了充电时间对能量存储趋势的影响，并应用差分电压分析 (DVA) 来监测电压范围内的容量变化 (dQ/dV)。我们的 LLM 模型实现了卓越的性能，平均绝对误差 (MAE) 低至 0.87%，并且具有支持高效处理的各种延迟指标，展示了其实时集成到 EV 中的强大潜力。该框架通过高分辨率数据中的异常检测有效地识别了退化的早期迹象，从而促进了预测性维护以防止电池突然故障并提高能源效率。索引词 — 电池退化、健康状态 (SoH)、剩余使用寿命 (RUL)、钛酸锂 (LTO)、差分电压分析 (DVA)、大型语言模型 (LLM)
在食品和药品应用中使用微囊化的掩饰掩盖
网络威胁从各个案件增加到全球问题是人们转移网络安全观点的原因。基本的防御工艺最初理解和有效，无法与现代攻击的复杂性和速度相匹配。考虑到LLM是AI的最新成员，本文旨在讨论其在整合威胁检测和响应自动化系统中的应用。因此，具有较高自然语言处理功能的LLM具有有关网络安全的革命性观点。由于LLM代理可以查看大量的安全数据，区分模式并创建上下文适当的响应，因此它们可以弥合新兴威胁和稳定的安全系统之间的差距。本文研究了LLM代理使用的工具，例如自然语言处理来分析日志，上下文异常检测，网络流量中的模式识别以及对用户行为的分析。此外，它还描述了LLM代理如何在威胁识别，警报优先级，上下文驱动的响应生成，安全政策执行和威胁处理的背景下支持自动威胁处理。还考虑了LLM代理到包括SIEM系统和AI-OPS平台在内的已知系统中的集成，从而可以进一步结论创建积极主动的网络安全系统的机会。然而，仍存在开放的困境，例如对抗性攻击和解释性，网络安全方面的LLM代理的未来仍然很明亮，并且在多模式威胁分析和基于量子安全LLM的密码学中还有更多可能性。
crispr-gpt：基因编辑实验自动设计的LLM代理
基因组工程技术的引入已经改变了生物医学研究，使得对遗传信息进行精确更改成为可能。但是，创建有效的基因编辑系统需要对CRISPR技术以及正在研究的复杂实验系统有深入的了解。虽然大型语言模型（LLM）在各种任务中都表现出了希望，但它们通常缺乏特定的知识和难以准确解决生物设计问题的努力。在这项工作中，我们介绍了CRISPR-GPT，这是一种具有领域知识和外部工具的LLM代理，以自动化和增强基于CRISPR的基因编辑实验的设计过程。CRISPR-GPT利用LLM的推理能力促进选择CRISPR系统，设计指南RNA，推荐蜂窝交付方法，起草协议以及设计验证实验以确认编辑结果的过程。我们展示了CRISPR-GPT从刮擦中协助非专家研究人员进行基因编辑实验的潜力，并在现实世界中验证了药物的有效性。此外，我们探讨了与自动基因编辑设计相关的道德和监管考虑因素，强调了对这些工具负责和透明使用的需求。我们的工作旨在桥接