Synapse：利用少量样本示例进行人类级计算机控制

Jun, 2023

Synapse：利用少量样本示例进行人类级计算机控制

Synapse: Leveraging Few-Shot Exemplars for Human-Level Computer Control

Longtao Zheng, Rundong Wang, Bo An

TL;DR通过在语言模型中引导少样本范例设计，本文研究了计算机自动化的设计，提出了基于 Sample 和结构化提示的控制代理 Synapse，通过条件分解、结构化提示和样本检索三个部分，能够提高计划的正确性并在 MiniWob++ 基准测试中实现人类级性能，同时也为将 LLMs 融入实际工具自动化提供了新思路。

Abstract

This paper investigates the design of few-shot exemplars for computer automation through prompting large language models (LLMs). While pre

few-shot exemplars prompting large language models exemplar retrieval in-context learning

发现论文，激发创造

Few-Shot Bot: 基于提示的对话系统学习

本文探讨了通过基于提示的少样本学习在对话任务中的应用，通过对多种大小的语言模型进行测试，提出一种新的无需微调的提示分类器，并结合技能选择器创建了一种称为 Few-Shot Bot 的端到端聊天机器人，只需使用少量对话示例便可以完成知识检索并生成人类般自然的响应。

Oct, 2021

从视觉演示中学习偏好概念

该研究论文介绍了偏好学习的问题，通过视觉输入学习用户特定偏好，并提出了一种名为 Synapse 的新框架，通过神经符号方法从有限的演示中高效学习首选概念。通过广泛的实验证明，Synapse 在现有基准以及自身的修改版本上表现出色，特别针对机器人移动和自动驾驶的移动相关概念。

Mar, 2024

零射语言代理用于带有结构反射的计算机控制

通过自反思和结构化思考管理，我们的零 - shot 代理在简单的 MiniWoB++ 任务中表现出更高效的推理能力，并且在复杂的任务中能够与之前的最佳模型相媲美，尽管之前的研究可以访问专家示例或额外的屏幕信息。

Oct, 2023

语言模型能否从上下文中的解释中学习？

通过对 40 个具有挑战性的任务提出带有答案解释的问题及各种匹配控制解释，我们发现解释可以提高大型语言模型在具有挑战性的任务上的零次和少量样本的表现，并且仅大型模型有益处。

Apr, 2022

具备语法样例的可控释义生成

本文提出一种新颖的任务，通过神经模块来控制句子的语法以及运用多任务训练的目标来提高表示学习，从而实现可控文本生成，并在基线实验的基础上实现性能的提升和捕捉理想特征。

Jun, 2019

自适应提示提升零样本推理能力

本研究提出了一种基于一致性的自适应提示设计方法，可以从大型语言模型的零样本输出中选择和构建示例，进而显著提高了零样本情况下三种不同大型语言模型的推理任务的性能。

May, 2023

利用预训练语言模型稳定上下文学习以实现少样本对话状态跟踪

通过元学习在对话领域稳定模型，设计新的训练方法改进检索机制寻找理想的示例，在句子长度有限的情况下，使用显著性模型限制对话文本长度，从而在 MultiWOZ 上实现了具有竞争力的少样本对话状态跟踪结果。

Feb, 2023

自我确信的激励机制：反复审视下的少样本问答

利用大规模预训练语言模型，通过迭代增强和定制提示来提升其在复杂任务中的性能。

Oct, 2023

大语言模型中发挥认知协同作用：通过多人格自我协作成为任务解决代理

本文提出了 Solo Performance Prompting（SPP）的概念，该技术通过与多个角色进行多回合自我协作将单个大语言模型转化为认知协同体，从而激发了 LLM 中潜在的认知协同作用，提高了复杂任务中的问题解决能力。

Jul, 2023

基于数据驱动的计算机控制学习方法

该研究使用强化学习和行为先验相结合的方法，以自然语言指定目标，实现了最新的并具有人类水平的表现，并证明了在训练机器使用计算机时，统一的人机界面是非常有用的。

Feb, 2022