論文連結:https://arxiv.org/pdf/2309.07864.pdf LLM -based Agent 論文清單:https://github.com/WooooDyy/LLM-Agent-Paper-List
控制端:通常由 LLMs 構成,是智慧代理的核心。它不僅可以儲存記憶和知識,還承擔資訊處理、決策等不可或缺的功能。它可以呈現推理和計劃的過程,並很好地應對未知任務,反映出智慧代理的泛化性和遷移性。 感知端:將智慧代理的感知空間從純文字拓展到包括文字、視覺和聽覺等多模態領域,使代理人能夠更有效地從周圍環境中獲取與利用資訊。 行動端:除了常規的文本輸出,還賦予代理具身能力、使用工具的能力,使其能夠更好地適應環境變化,透過回饋與環境交互,甚至能塑造環境。
高品質文字生成:大量評估實驗表明,LLMs 能夠產生流暢、多樣、新穎、可控制的文字。儘管在個別語言上表現欠佳,但整體上具備良好的多語言能力。 言下之意的理解:除了直覺表現出的內容,語言背後可能也傳遞了說話者的意圖、偏好等訊息。言下之意有助於代理更有效率地溝通與合作,大模型展現了這方面的潛力。
擴充Backbone 架構的長度限制:針對Transformers 固有的序列長度限制問題進行改進。 總結記憶(Summarizing):對記憶進行摘要總結,增強代理人從記憶中提取關鍵細節的能力。 壓縮記憶(Compressing):透過使用向量或適當的資料結構對記憶進行壓縮,可以提高記憶檢索效率。
#計畫制定(Plan Formulation):代理人將複雜任務分解為更容易管理的子任務。例如:一次性分解再依序執行、逐步規劃並執行、多路規劃並選取最優路徑等。在一些需要專業知識的場景中,代理可與特定領域的 Planner 模組集成,提升能力。 計畫反思(Plan Reflection):在製定計劃後,可以進行反思並評估其優劣。這種反思一般來自三個面向:借助內在回饋機制;與人類互動獲得回饋;從環境中獲得回饋。
#對未知任務的泛化:隨著模型規模與訓練資料的增大,LLMs 在解決未知任務上湧現了驚人的能力。通过指令微调的大模型在 zero-shot 测试中表现良好,在许多任务上都取得了不亚于专家模型的成绩。 情景学习(In-context Learning):大模型不仅能够从上下文的少量示例中进行类比学习,这种能力还可以扩展到文本以外的多模态场景,为代理在现实世界中的应用提供了更多可能性。 持续学习(Continual Learning):持续学习的主要挑战是灾难性遗忘,即当模型学习新任务时容易丢失过往任务中的知识。专有领域的智能代理应当尽量避免丢失通用领域的知识。
将视觉输入转为对应的文本描述(Image Captioning):可以被 LLMs 直接理解,并且可解释性高。 对视觉信息进行编码表示:以视觉基础模型 LLMs 的范式来构成感知模块,通过对齐操作来让模型理解不同模态的内容,可以端到端的方式进行训练。
Observation 可以幫助智慧代理在環境中定位自身位置、感知物件物品和獲取其他環境資訊; Manipulation 則是完成一些具體的抓取、推動等操作任務; -
Navigation 要求智慧代理根據任務目標變換自身位置並根據環境資訊更新自身狀態。
##1 . 幫助使用者從日常任務、重複勞動中解脫出來,減輕人類的工作壓力,提高解決任務的效率;
在這個基礎上,代理人的應用可以有三個範式:
單一代理程式場景
在任務導向的部署中,代理人幫助人類使用者處理日常基本任務。它們需要具備基本的指令理解、任務分解、與環境互動的能力。具體來說,根據現有的任務類型,代理的實際應用又可分為模擬網路環境與模擬生活場景。 在創新導向的部署中,代理人能夠在前沿科學領域展現出自主探究的潛力。雖然來自專業領域的固有複雜性和訓練資料的缺乏為智慧代理的建構帶來了阻礙,但目前已經有許多工作在化學、材料、電腦等領域取得了進展。 在生命週期導向的部署中,代理商具備在一個開放世界中不斷探索、學習和使用新技能,並長久生存的能力。在本節中,作者們以《我的世界》遊戲為例展開介紹。由於遊戲中的生存挑戰可以被認為是現實世界的縮影,已經有許多研究者將其作為開發和測試代理綜合能力的獨特平台。
當所有代理人自由地表達自己的觀點、看法,以一種沒有順序的方式進行合作時,稱為無序合作。 當所有代理人遵循一定的規則,例如以流水線的形式逐一發表自己的觀點時,整個合作過程井然有序,稱為有序合作。
Instructor-Executor 模式:人類作為指導者,給予指令、回饋意見;而代理人作為執行者,依據指示逐步調整、優化。這種模式在教育、醫療、商業等領域得到了廣泛的應用。 Equal Partnership 模式:有研究觀察到代理人能夠在與人類的溝通中表現出共感能力,或是以平等的身分參與任務執行中。智能代理展現出在日常生活中的應用潛力,並有望在未來融入人類社會。
左側部分:在個體層面上,代理人表現出多種內化行為,例如計劃、推理和反思。此外,代理人也顯現出內在的人格特徵,涵蓋認知、情緒和性格三個面向。 中間部分:單一代理人可以與其他代理個體組成群體,共同展現出合作等群體行為,例如協同合作等。 右邊部分:環境的形式可以是虛擬的沙盒環境,也可以是真實的物理世界。環境中的要素包括了人類參與者和各類可用資源。對於單一代理而言,其他代理也屬於環境的一部分。 整體互動:代理人們透過感知外界環境、採取行動,積極參與整個互動過程。
- ##文章從外在行為和內在人格來審視了代理人在社會中的表現:
- 社會行為: 從社會的角度出發,行為可以分為個體和集體兩個層次:
- 人格: 包含認知、情感和性格。就像人類在社會化過程中逐漸形成自己的特質一樣,代理也展現了所謂的 "類人智能",即透過與群體和環境的互動中逐漸塑造人格。
認知(Cognitive abilities):涵蓋了代理獲取和理解知識的過程,研究表明,基於LLM 的代理在某些方面能夠表現出類似於人類的深思熟慮和智力水平。
性格(Character portrayal):為了理解和分析LLMs 的性格特徵,研究人員利用了成熟的評測方式,如大五人格、MBTI 測試,以探究性格的多樣性和複雜性。
- 基於文本的環境:
- 由於LLMs 主要依賴語言作為其輸入和輸出格式,因此基於文字的環境是代理最自然的操作平台。透過文字的方式來描述社會現象和互動,文本環境提供了語義和背景知識。代理存在於這樣的文本世界中,依賴文本資源來感知、推理和採取行動。
- 虛擬沙盒環境: 在電腦領域,沙盒是指一種可受控且隔離的環境,常用於進行軟體測試和病毒分析。而代理社會的虛擬沙盒環境則是作為模擬社會互動和行為模擬的平台,其主要特徵包括:
以上是復旦NLP團隊發表80頁大模型Agent綜述,一文綜觀AI智能體的現況與未來的詳細內容。更多資訊請關注PHP中文網其他相關文章!

PowerInfer提高了在消费级硬件上运行AI的效率上海交大团队最新推出了超强CPU/GPULLM高速推理引擎PowerInfer。PowerInfer和llama.cpp都在相同的硬件上运行,并充分利用了RTX4090上的VRAM。这个推理引擎速度有多快?在单个NVIDIARTX4090GPU上运行LLM,PowerInfer的平均token生成速率为13.20tokens/s,峰值为29.08tokens/s,仅比顶级服务器A100GPU低18%,可适用于各种LLM。PowerInfer与

要让大型语言模型(LLM)充分发挥其能力,有效的prompt设计方案是必不可少的,为此甚至出现了promptengineering(提示工程)这一新兴领域。在各种prompt设计方案中,思维链(CoT)凭借其强大的推理能力吸引了许多研究者和用户的眼球,基于其改进的CoT-SC以及更进一步的思维树(ToT)也收获了大量关注。近日,苏黎世联邦理工学院、Cledar和华沙理工大学的一个研究团队提出了更进一步的想法:思维图(GoT)。让思维从链到树到图,为LLM构建推理过程的能力不断得到提升,研究者也通

近期,复旦大学自然语言处理团队(FudanNLP)推出LLM-basedAgents综述论文,全文长达86页,共有600余篇参考文献!作者们从AIAgent的历史出发,全面梳理了基于大型语言模型的智能代理现状,包括:LLM-basedAgent的背景、构成、应用场景、以及备受关注的代理社会。同时,作者们探讨了Agent相关的前瞻开放问题,对于相关领域的未来发展趋势具有重要价值。论文链接:https://arxiv.org/pdf/2309.07864.pdfLLM-basedAgent论文列表:

大型语言模型(LLM)被广泛应用于需要多个链式生成调用、高级提示技术、控制流以及与外部环境交互的复杂任务。尽管如此,目前用于编程和执行这些应用程序的高效系统却存在明显的不足之处。研究人员最近提出了一种新的结构化生成语言(StructuredGenerationLanguage),称为SGLang,旨在改进与LLM的交互性。通过整合后端运行时系统和前端语言的设计,SGLang使得LLM的性能更高、更易控制。这项研究也获得了机器学习领域的知名学者、CMU助理教授陈天奇的转发。总的来说,SGLang的

将不同的基模型象征为不同品种的狗,其中相同的「狗形指纹」表明它们源自同一个基模型。大模型的预训练需要耗费大量的计算资源和数据,因此预训练模型的参数成为各大机构重点保护的核心竞争力和资产。然而,与传统软件知识产权保护不同,对预训练模型参数盗用的判断存在以下两个新问题:1)预训练模型的参数,尤其是千亿级别模型的参数,通常不会开源。预训练模型的输出和参数会受到后续处理步骤(如SFT、RLHF、continuepretraining等)的影响,这使得判断一个模型是否基于另一个现有模型微调得来变得困难。无

FATE2.0全面升级,推动隐私计算联邦学习规模化应用FATE开源平台宣布发布FATE2.0版本,作为全球领先的联邦学习工业级开源框架。此次更新实现了联邦异构系统之间的互联互通,持续增强了隐私计算平台的互联互通能力。这一进展进一步推动了联邦学习与隐私计算规模化应用的发展。FATE2.0以全面互通为设计理念,采用开源方式对应用层、调度、通信、异构计算(算法)四个层面进行改造,实现了系统与系统、系统与算法、算法与算法之间异构互通的能力。FATE2.0的设计兼容了北京金融科技产业联盟的《金融业隐私计算

IBM再度发力。随着AI系统的飞速发展,其能源需求也在不断增加。训练新系统需要大量的数据集和处理器时间,因此能耗极高。在某些情况下,执行一些训练好的系统,智能手机就能轻松胜任。但是,执行的次数太多,能耗也会增加。幸运的是,有很多方法可以降低后者的能耗。IBM和英特尔已经试验过模仿实际神经元行为设计的处理器。IBM还测试了在相变存储器中执行神经网络计算,以避免重复访问RAM。现在,IBM又推出了另一种方法。该公司的新型NorthPole处理器综合了上述方法的一些理念,并将其与一种非常精简的计算运行

自己动手做过莫比乌斯带吗?莫比乌斯带是一种奇特的数学结构。要构造一个这样美丽的单面曲面其实非常简单,即使是小孩子也可以轻松完成。你只需要取一张纸带,扭曲一次,然后将两端粘在一起。然而,这样容易制作的莫比乌斯带却有着复杂的性质,长期吸引着数学家们的兴趣。最近,研究人员一直被一个看似简单的问题困扰着,那就是关于制作莫比乌斯带所需纸带的最短长度?布朗大学RichardEvanSchwartz谈到,对于莫比乌斯带来说,这个问题没有解决,因为它们是「嵌入的」而不是「浸入的」,这意味着它们不会相互渗透或自我


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

VSCode Windows 64位元 下載
微軟推出的免費、功能強大的一款IDE編輯器

WebStorm Mac版
好用的JavaScript開發工具

DVWA
Damn Vulnerable Web App (DVWA) 是一個PHP/MySQL的Web應用程序,非常容易受到攻擊。它的主要目標是成為安全專業人員在合法環境中測試自己的技能和工具的輔助工具,幫助Web開發人員更好地理解保護網路應用程式的過程,並幫助教師/學生在課堂環境中教授/學習Web應用程式安全性。 DVWA的目標是透過簡單直接的介面練習一些最常見的Web漏洞,難度各不相同。請注意,該軟體中

SecLists
SecLists是最終安全測試人員的伙伴。它是一個包含各種類型清單的集合,這些清單在安全評估過程中經常使用,而且都在一個地方。 SecLists透過方便地提供安全測試人員可能需要的所有列表,幫助提高安全測試的效率和生產力。清單類型包括使用者名稱、密碼、URL、模糊測試有效載荷、敏感資料模式、Web shell等等。測試人員只需將此儲存庫拉到新的測試機上,他就可以存取所需的每種類型的清單。

Atom編輯器mac版下載
最受歡迎的的開源編輯器