XiaoMi-AI文件搜索系统
World File Search System任务
将AI代理放在一般任务上的步调
多模式的大型语言模型（LLMS）在大量数据集中受过培训的多模型在许多情况下变得越来越有能力。但是，此类模型的capabilies通常在狭窄的任务中进行评估，就像标准的机器学习模型接受了针对特定目标的训练一样。，我们通过将最新的LLM代理通过其步调进行一般任务来解决不同的策略，以解决三个受欢迎的游戏 - Wordle，Face Quiz和Flashback。这些游戏很容易被人类解决，但他们要求一定程度的自我意识和更高层次的能力来实验，从错误中学习并计划。我们发现LLM代理在这些一般任务中表现出不同的性能。他们缺乏从错误和自我纠正能力中学习的意识。llms在最复杂的认知子任务中的性能可能不是其在现实世界环境中部署的限制因素。相反，重要的是要通过包含多个齿轮任务的一般测试来评估吸气LLM的功能，从而使它们能够解决完整的现实世界应用。
多任务处理会给你带来多少成本？一项调查...
多任务处理是一种被广泛研究的现象，近年来由于现代技术的发展而引起了人们的兴趣。执行多项任务需要分散认知功能的行为一直存在，但由于开车时发短信的普遍性和与之相关的危险，这种行为变得越来越普遍。由于人们认为在操作机器时多任务处理存在风险，许多州都出台了法律来防止这种行为，但除了发短信和开车的高风险情况外，人们很少探索在低风险环境下进行任务处理的效果，以评估其成本和收益。以前测试多任务处理效果的方法主要是在驾驶和学业成绩的背景下，并得出结论，从事多项活动会影响认知功能。然而，人们较少关注对家庭环境中分心影响的可量化和客观衡量标准。本研究的目的是使用认知评估工具 Brain Gauge，通过纳入不同类型的媒体作为干扰因素，研究多任务处理的强度和类型与认知处理之间的关系。这项研究通过测试受试者同时执行一系列有趣但平凡的任务时的反应时间来探索这一点。最终发现，与对照组相比，看电视时的反应时间有显著的变化。这项研究的结果可以用来更好地了解多任务处理如何影响认知功能，并有助于确定在做作业和开车等重要任务时是否应该避免多任务处理。
洛克希德·马丁公司向海军交付综合多任务激光武器系统
洛克希德·马丁公司先进产品解决方案副总裁 Rick Cordaro 表示：“洛克希德·马丁公司和美国海军在开发和提供颠覆性激光武器系统方面有着共同的愿景和热情。HELIOS 提高了舰船的整体作战系统效能，以遏制未来的威胁并为水兵提供额外的保护，我们明白，我们必须提供根据海军优先事项定制的可扩展解决方案。HELIOS 为逐步交付强大而强大的激光武器系统能力奠定了坚实的基础。”
自适应双级多机器人任务分配和在不确定性下使用时间逻辑约束
这项工作解决了未知机器人过渡模型下多机器人协调的问题，以确保按时间窗口时间窗口逻辑指定的任务对用户定义的概率阈值满意。我们提出了一个BI级框架，该框架集成了（i）高级任务分配，其中根据机器人的估计任务完成概率和预期奖励分配任务，以及（ii）在履行分配的任务时，机器人独立优化了辅助奖励。要处理机器人动力学中的不确定性，我们的方法利用实时任务执行数据来迭代地完善预期的任务完成概率和奖励，从而无需显式机器人过渡模型即可自适应任务分配。我们从理论上验证了所提出的算法，表明任务分配具有很高的置信度达到所需的概率阈值。最后，我们通过全面的模拟证明了框架的有效性。
未来的“主力”护卫舰将执行载人任务……
“我们海军有一个广泛的激光[科学和技术]项目，”他补充道。“我们绝对认为这是未来的必要条件，因为我们将进入一个新领域，我们希望我们的发射器只用于攻击性武器，我们的点防御系统是可充电弹匣，并且能够长时间维持。”
国家关键矿产任务（NCMM）
•制造太阳能电池板，风力涡轮机和电池存储系统至关重要。•在2070年到达印度的净零碳排放目标方面起着关键作用。•锂，钴和镍是电动电池的关键组成部分。•印度目前从中国进口了60-70％的电动电动电动电池材料，从而使自力更生至关重要。•稀土元素（REE）对于芯片制造，智能手机和其他电子设备至关重要。•减少进口依赖将促进印度的半导体制造计划。•临界矿物用于战斗机，导弹，卫星和雷达系统中。•战略矿物等战略矿物质和钛对于防御级材料至关重要。•促进国内采矿和炼油将创造就业机会。•增强印度在矿产丰富的全球市场中的出口潜力。NCMM的目标和关键特征
全身能力和以任务为导向创新政策的能力：一个新颖的框架和对巴西INOVA计划的案例研究
本文开发并应用了一个新颖的系统框架来分析成功以任务为导向的创新政策所需的能力和能力。框架确定了六个关键维度，其中结构能力和动态能力都必须保持一致：国家，技术管理，政策，科学技术，工业和需求维度。我们通过对巴西INOVA计划的解释性案例研究，特别是比较PAISS工业（Bioethanol）和Inova Petro（石油和天然气）子程序员的解释性案例研究，证明了特定能力和能力如何促进政策结果。尽管Paiss Industrial的成功源于各个方面的紧密一致性以及有效地动员了现有能力，但由于技术要求和行业能力之间的不对对准，Inova Petro仍在努力，尽管有实质性的资源，因此，加上有限的市场成型机制。分析表明，成功的以任务为导向的政策不仅需要个人能力和能力，还需要在所有维度上的系统一致性和有效的动员。此外，复杂的设计和实施功能在将能力转化为影响方面至关重要，尤其是在以前的经验基础上。这些发现对政策设计具有重要意义，表明面向任务的政策应考虑现有的能力和能力，同时作为通过实施开发新的工具的工具。
DrugOrchestra：通过深度多任务学习联合预测药物反应、目标和副作用
大量积累的药物基因组学、化学基因组学和副作用数据集为药物反应预测、药物靶标识别和药物副作用预测提供了前所未有的机会。现有的计算方法将其范围限制在这三个任务中的一项，不可避免地忽略了它们之间的丰富联系。在这里，我们提出了 DrugOrchestra，这是一个深度多任务学习框架，可以联合预测药物反应、靶标和副作用。DrugOrchestra 利用预先训练的基于分子结构的药物表征来连接这三个任务。DrugOrchestra 不是直接对单个任务进行微调，而是使用深度多任务学习通过同时对药物反应、靶标和副作用预测进行微调来获得基于表型的药物表征。通过将这三个任务结合在一起，DrugOrchestra 能够仅通过了解其分子结构来预测看不见的药物。我们通过整合三个任务中的 8 个数据集，构建了一个包含超过 21,000 种药物的异构药物发现数据集。与在单个任务或单个数据集上训练的方法相比，我们的方法获得了显着的改进。我们进一步揭示了 8 个数据集和 3 个任务之间的可迁移性，为理解药物机制提供了新的见解。关键词：多任务学习、药物靶标预测、药物副作用预测、药物反应预测可用性：https://github.com/jiangdada1221/DrugOrchestra
人工智能生成语言模型的当前状态比人类在不同的思维任务上更具创造力
公开访问的人工智能（AI）大语模型（例如ChatGpt）的出现已引起了有关AI功能含义的全球对话。对AI的新兴研究提出了这样的假设，即创造潜力是一种独特的人类特征，因此，人类的看法与AI客观上能够创造的东西之间似乎存在脱节。在这里，我们旨在评估与AI相比人类的创造潜力。在本研究中，人类参与者（n = 151）和GPT-4为替代用途任务，后果任务和不同关联任务提供了反应。我们发现，与人类同行相比，AI在每个不同的思维测量中都具有更强的创造力。具体来说，当控制响应的流利度时，AI是更原始和精心制作的。目前的发现表明，与人类受访者相比，AI语言模型的当前状态具有更高的创造力。
自动机器人任务计划通过将大型语言模型与基因编程集成
摘要 - 准确的任务计划对于控制自主系统（例如机器人，无人机和自动驾驶车辆）至关重要。行为树（BTS）被认为是任务计划中最突出的控制政策定义框架之一，由于其模块化，灵活性和可重复性。为机器人系统生成可靠，准确的基于BT的控制策略仍然具有挑战性，并且通常需要域专业知识。在本文中，我们提出了利用大语言模型（LLM）和遗传编程（GP）的LLM-GP-BT技术，以使BTS的生成和配置自动化。LLM-GP-BT技术处理以人类自然语言表达的机器人任务命令，并以计算效率和用户友好的方式将其转换为基于BT的准确和可靠的任务计划。该提出的技术是通过仿真实验系统地开发和验证的，这表明了其简化自主系统任务计划的潜力。