XiaoMi-AI文件搜索系统
World File Search System模型生成
![arxiv：2503.00691v1 [CS.SE] 2025年3月2日](/simg/g:\will\search\icon\source\8\8525459ed0b418d52243a0133142f40ca578b18a.webp)
arxiv：2503.00691v1 [CS.SE] 2025年3月2日
语言模型（LMS）在从自然语言需求中生成代码方面表现出了极大的能力。在这项工作中，我们高度阐明了LMS生成的代码多样性，这是评估其代码生成功能的关键标准。缺乏专注于评估发电代码多样性的研究，这忽略了其在代码LMS中的重要性。因此，我们提出了一种评估代码多样性的系统ATIC方法，并引入了具有相似代码的各种指标。具体来说，我们引入了代码群集方法，该方法利用LMS在代码理解和推理中的功能，从而产生一组表示模型生成解决方案中算法数量的指标。我们通过将模型解决方案与人写的溶液进行对比，并量化各种因素对代码多样性的影响：模型大小，温度，指令调整和概率复杂性来广泛研究模型产生的解决方案的性质。我们的分析表明，模型生成的解决方案表现出低质量的多样性，研究界却忽略了这一多样性。此外，我们通过结合来自不同模型的解决方案并提高采样温度来提高代码多样性的方法。我们的发现强调说，可以借助异质模型和设置温度来增强代码多样性以上，这是由于功能正确性降解而尚未完全探索的。为了促进我们的研究指导，我们通过开源存储库公开分享我们的代码和数据集。
教学大纲示例：使用自动写作工具 (chatGPT) 和其他人工智能工具
人工智能 (AI) 的最新飞跃性进步现已作为开放获取工具提供，以非常人性化的方式提供复杂的论文式答案，而 Turnitin 等抄袭工具无法检测到。ChatGPT 是最新的工具，它展示了对文本自动填充/建议的革命性改进。要了解有关 chatGPT 及其对传统教育评估的影响的更多信息，以及一些实用建议的链接，请参阅本文档末尾的资源。如果您查看链接或甚至只是有关该主题的好消息文章，您就会发现，新技术不仅可以影响论文式的答案或报告，还可以影响编码和其他更定量的任务。大学建议教师明确说明允许在学生身上使用自动写作工具和使用人工智能的工具。明确而明确的期望将有助于保持学术诚信。可以通过 CIETL 的资源中心找到有用的提示，以调整作业，以尽量减少使用 chatGPT 和其他工具抄袭而不被发现的可能性。使用示例：提供给 chatGPT 的提示：反对使用 chatGPT 的教学大纲指导 chatGPT 的回答：以下是反对使用 ChatGPT 或其他语言模型的教学大纲指导声明示例：“本课程不容忍抄袭，包括使用 ChatGPT 等语言模型。任何提交的作业如果被发现是由语言模型生成的，都将被视为抄袭，并将导致该作业的成绩为零分。您有责任正确引用您工作中使用的任何来源，包括由语言模型生成的文本。”
2022 年 8 月财政 AI 用例清单
预计合同授予日期由机器学习模型生成，该模型可以统计预测采购请求何时会成为签署的合同。输入数据包括资金信息、日期/时间和个人合同专家的工作量。该模型输出特定采购请求的预计合同授予时间表。“何时签署合同？”是 IRS 和联邦政府普遍关心的一个关键问题。此工具可以洞察每个请求何时可能成为合同。该工具提供了一种其他联邦机构可以实施的技术，可能会影响 6000 亿美元的政府合同。网址：https://www.irs.gov/newsroom/irs-announces-use-of-projected-contract-award-date-web-app-that-predicts-when-contracts-will-be-signed
TwinOps：数字孪生与 DevOps 相遇 - DTIC
本报告总结了 TwinOps 项目的贡献，该项目由软件工程研究所资助，为期一年，于 20 财年执行。这项研究的贡献有两个方面。首先，它引入了 ModDevOps，作为一种创新方法，使用 DevOps 概念和从模型生成代码来连接基于模型的工程和软件工程。ModDevOps 平滑了从模型级验证和确认 (V&V) 到软件生产的过渡。其次，该研究开发了 TwinOps，这是一种特定的 ModDevOps 管道，通过在构建模型工件时对其进行精心组合，为系统工程师提供新的分析能力。
TwinOps - SEI 数字图书馆 - 卡内基梅隆大学
本报告总结了 TwinOps 项目的贡献，该项目为期一年，由软件工程研究所资助，于 2020 财年实施。这项研究的贡献有两个方面。首先，它引入了 ModDevOps，作为一种创新方法，使用 DevOps 概念和从模型生成代码来连接基于模型的工程和软件工程。ModDevOps 使从模型级验证和确认 (V&V) 到软件生产的过渡更加顺利。其次，该研究开发了 TwinOps，这是一种特定的 ModDevOps 管道，通过在构建模型工件时对其进行精心组合，为系统工程师提供新的分析能力。
使用Anaplan的项目计划和管理
此通信仅包含一般信息。此外，本通信中提供的一些信息和/或内容可能是由人工智能语言模型生成的。当我们努力争取准确性和质量时，请注意，所提供的信息和/或所提供的内容是基于任何陈述，保证，承诺或准确性或完整性的保证，并且同样的内容可能并非完全无错误或最新。和DTTL的NNONE，其全球成员公司或其相关实体网络是通过这种沟通来提供专业建议或服务的。在做出任何决定或采取任何行动之前，可能会影响您的财务或业务，您应该咨询合格的专业顾问。
校准和代码语言模型的正确性
摘要 - 机器学习模型被广泛使用，但通常也可能是错误的。用户将受益于可靠的指标，即是否应信任给定模型的给定输出，因此可以做出合理决策是否使用输出。例如，输出可以与置信度度量相关联；如果这种置信度度量与正确性的可能性密切相关，则据说该模型是良好校准的。良好的置信度措施可以作为理性，逐步决策的基础，以了解使用生成的代码时需要多少审查和护理。校准已经在主要非生成中进行了研究（例如，分类）设置，尤其是在软件工程中。但是，生成的代码通常可能是错误的：给定的代码，开发人员必须决定是否直接使用，在仔细审查强度变化或丢弃模型生成的代码后使用。因此，卡尔 - 对生成环境至关重要。我们做出了一些贡献。我们开发了一个框架来评估代码生成模型的校准。我们考虑了几个任务，正确性标准，数据集和方法，并发现我们测试的大而生成的代码模型并未得到很好的开箱即用。然后，我们展示如何使用标准方法（例如PLATT缩放）改进校准。我们的贡献将在语言模型生成的当前使用代码中提供更好地校准的决策，并为将来的研究提供了一个框架，以进一步改善软件工程中生成模型的校准方法。由于Platt缩放率取决于正确性数据的事先可用性，因此我们评估了PLATT缩放在软件工程中的适用性和概括性，讨论其具有良好实际使用潜力的设置以及不存在的设置。索引项 - LLS，校准，置信度度量
新闻稿：RARE Power 数据集
在 GridLab 的支持下，Catalyst Cooperative 将托管和分发可再生能源数据集。该数据包括按县级发布的每小时太阳能、陆上和海上风电生产情况，汇总了美国本土的 3 公里数据。首次发布包含 2019-2023 年的数据，而 2025 年第一季度的进一步发布将包含 2014-2018 年的数据。该数据集的基础是美国国家海洋和大气管理局的高分辨率快速刷新 (HRRR) 操作数值天气预报模型生成的天气变量。该方法已用于指导现实世界的进程，例如在 2020 年为 Midcontinent Independent System Operator (MISO) 开发数据集。
e36731a数据表 - 电池模拟器和profiler
要模拟电池特性，首先将电池模型加载到BV9211B高级电池测试和仿真软件中。该软件算法将实时遵循电池模型并模仿电池行为。该软件支持两种类型的电池模型 - CSV文件中具有VOC，SOC和RI参数的软件或外部电池模型生成的配置文件。为简单起见，您只需要输入四个参数即可模拟电池 - 容量评级，当前限制，初始SOC和切断条件。在模拟电池时，软件同时测量电压和电流，并保存测量结果。该软件允许您立即更改电池的充电。此外，您可以加载在不同温度下创建的多个电池模型。