XiaoMi-AI文件搜索系统
World File Search System大语
使用大语言模型
在复杂环境中的机器人导航仍然是一项关键的研究挑战。值得注意的是，由于四足机器人的地形适应性和移动敏捷性，四足动导航已取得了重大进展。但是，传统的导航任务将机器人限制在预定义的自由空间中，并专注于避免障碍物，从而限制了它们在更具挑战性的环境中的适用性，例如缺乏可行的目标途径的场景。我们提出了一种交互式导航方法，该方法利用敏捷四足动物的运动来适应各种地形并与环境互动，更改工作区以应对开放且复杂的环境中挑战性的导航任务。我们提出了一棵原始树，用于使用大语言模型（LLM）的高级任务计划，从而促进了长期任务的有效推理和任务分解。树结构允许添加动态节点和修剪，从而对新观测值进行自适应响应，并在导航过程中增强鲁棒性和实时性能。对于低级运动计划，我们采用强化学习来预先培训技能库，其中包含复杂的运动和互动行为，以执行任务。此外，我们引入了一种基于认知的重型方法，该方法由顾问和树木师组成，以应对实时自我的观察。该提出的方法已在多个模拟场景中得到了验证，该方法在不同的情况下阐明了其在各种情况下的有效性和在部分可观察的条件下的实时适应性。
用大语言模型自定义社交角色
基于角色的对话（字符）在行业中已经变得至关重要（例如，字符），使用户能够自由自定义社交互动。但是，在社交角色中固有的各种对话方案中的普遍性和适应性仍然缺乏公共的工业解决方案。通过解剖由固有的社会概况和外部社会行为组成的全面的社交角色，我们手动收集具有不同类别和行为的特征的大规模中国语料库，并与精心设计的改进方法一起开发特征模型。广泛的实验表明，特征glm形成了最流行的开放式和封闭源LLM，并且与GPT-4相当。我们发布了本地开发和部署的数据和模型：https：//github.com/thu-coai/targinglm-6b。1
生成的AI和机器人技术：从大语言模型到智能人类机器人
加拿大摘要Chatgpt和其他大语言模型（LLMS）的快速发展对其在机器人技术中的应用产生了极大的兴趣。本评论探讨了生成AI与机器人技术的集成，重点是诸如ChatGpt之类的LLMS如何增强机器人智能，人类机器人互动和任务计划。llms可以改善自然语言处理，促进人与机器人之间的更有效的沟通，同时也有助于机器人的感知，决策和控制，例如视觉，听觉和触觉输入。审查研究了LLMS支持七种机器人智能的潜力，同时由于围绕自我意识和偏见的道德问题而解决了人际关系智能的排除。讨论了将CHATGPT纳入任务计划的新方法，尤其是使用国家意识来改善机器人自主权和适应性。还考虑了增强学习在优化基于LLM的机器人系统中的作用，尤其是在增强决策和生成现实的培训数据方面。最后，审查概述了将生成AI整合到机器人技术中的挑战和未来的研究方向，重点关注诸如过时的知识，多党相互作用和运动控制之类的克服局限性。
93广泛使用的大语言算法的影响...
结果。对最近通过非模棱两可的算法增强的工具的分析表明，该行业的主导地位提供了信息和创造性的支持。这些工具在公众之间具有高度高的可靠性，并涉及减少的验证措施。对现有文献和人类心理学的研究的回顾表明，以前的社会当局对决策行为的影响与通过AI获得的不批判性信息的影响之间存在非常密切的相关性。研究表明，访问这些工具，没有适当控制结果的行动，可以使用户暴露于偏见，操纵或对营销活动的易感性。另外，通过对这些实施算法进行适当和合理的使用，人类能够在决策中获得非常精确和基于知识的支持。在创造力，创新和好奇心的文本中也观察到了类似的结果。独创性。本文介绍了在新的和扩展的AI增强工具的背景下与Humans的心理性质有关的主题。探索研究的结果清楚地表明，算法支持的程序在科学和社会发展方面都表明了潜力。不幸的是，它们还为两者带来了许多潜在的危险，在基金会中讨论的这为更深入的研究提供了基础。
可解释的AI用于使用大语言模型体系结构的网络威胁智能
对威胁的检测和理解在制定任何形式的防御策略中起着重要作用；因此，提高检测能力，以及当今网络安全性动态世界的上下文见解非常重要。本文使用大型语言模型架构来理解网络威胁智能，以解释人工智能。我们的方法利用LLM的优越NLP分析大量威胁数据，并为可能的安全风险提供可行的，可理解的见解。我们引入了一个新的范式，通过该范式将LLMS整合到经典的CTI框架中可以实现复杂的威胁模式识别，并为每个检测到的威胁提供了人类可读的解释。这将增强AI驱动威胁分析的透明度和可信度，从而使决策变得更加容易，并更加由网络安全专业人员了解。在现实世界数据集上进行了广泛的测试，以验证我们的方法，表明我们的方法显着提高了与当前方法相比的威胁检测准确性和解释质量。这些发现表明，LLMS通过将相同的相同的CTI系统嵌入到弹性和适应性方面，可以显着提高网络安全工具功效。
生成人工智能和大语言...
生成的人工智能和大语言模型是信息处理技术革命的延续，该技术革命始于1947年晶体管的发明。这些技术是由用于人工神经网络的变压器体系结构驱动的，有望广泛影响社会。很明显，这些技术将适应推动教育的创新。医学教育是一项高风险活动：向学生讲授错误的信息可能无法被识别多年，直到出现相关的临床状况，该错误可能导致患者伤害。在本文中，我讨论了在医学教育中使用生成人工智能的主要局限性 - 安排，偏见，成本和安全性，并提出了一些面对这些问题的方法。此外，我确定了生成人工智能在医学教育中的潜在应用，包括个性化教学，模拟，反馈，评估，定性研究的增强以及对现有科学文献进行批判性评估的批判性评估。
使用大语言模型来筛选心血管药物开发的摘要：横断面研究
通过PubMed应用程序编程界面（API）提取摘要，并创建了LLM指令（提示），以评估LLMS（GPT-3.5 Turbo [OpenAI]，GPT-4]，GPT-4]，GPT-4 [OpenAI]和Claude 2 [Claude 2 [chlaude PBC] [hythropic pbc] [gpt-3.5 turbo [openai]跨LLMS评估不同的筛选优化策略（图1）。“基本” LLM提示（1）提出了抽象文本，（2）列出了两个资格筛选标准（即，至少一个生物标志物和结果找到值），以及（3）指示LLMS确定摘要是否符合资格标准并以标准化格式返回结果。“技术”优化被定义为在基本提示中添加定义器划定关键部分（摘要和标准），而“内容”优化进一步指示LLMS（1）扮演科学角色，（2）解决心脏病学药物