PlanFitting:使用大型语言模型定制个性化运动计划
研究表明,可训练的语句规划可生成复杂的信息呈现,并易于个性化定制,且个性化的句子规划器通常比针对人群进行训练和测试的模型表现更好。同时,研究还评估了不同特征集的贡献,并显示在该应用中,n-gram 特征通常能达到基于更高级别的语言表示的特征的效果。
Oct, 2011
一个互动机器人框架可以完成长期任务规划,并能在执行过程中轻松推广到新目标或不同任务。通过语言模型实现了高级规划和低级功能执行的系统,实现了对未知目标的新颖高级指令的生成,并通过仅替换任务指南来适应不同任务,而无需复杂的提示工程。此外,当用户发送新请求时,系统能够根据新请求、任务指南和先前执行步骤精确地重新规划。
Oct, 2023
提出了一个针对家庭服务实体代理的任务规划性能自动量化基准系统,对大型语言模型和提示进行了广泛实验,并探索了基线任务规划器的多个改进,预计该基准工具将加快语言导向的任务规划器的发展。
Feb, 2024
本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法,以应对系统运行期间不一致性的挑战,并在机器人任务中进行了实验。
Mar, 2019
本文提出了一种低成本但有效的框架,该框架以插拔的方式显式地对生成文本的全局内容计划建模,并证明其在食谱生成任务上实现了最新的技术性能,从而解决了当前受长期存在的多句文本生成问题。
Dec, 2022
多模态大型语言模型(MLLMs)在具有出色推理和概括能力的大型语言模型(LLMs)基础上开辟了新的具身任务规划途径。我们引入了一项人类注释的基准测试 EgoPlan-Bench,定量调查 MLLMs 在现实场景中作为具身任务规划器的潜力,并构建了一个指导调优数据集 EgoPlan-IT,这些实验结果表明,通过 EgoPlan-IT 调优的模型不仅在我们的基准测试中显著提高了性能,还在模拟中有效地扮演了具身规划器的角色。
Dec, 2023
在本文中,我们提出了一个使用语言模型进行多步逻辑推理的新型系统,该系统将显式计划纳入其推理过程中,从而通过向前看到它们的未来效果,能够在每一步上做出更明智的推理决策。在我们的实验中,我们的完整系统明显优于其他竞争系统,在多项选择题回答任务中,我们的系统表现与 GPT-3-davinci 相当,尽管只有约 15B 的参数。我们进行了几项削减研究,以证明显式计划在系统性能中起着重要作用。
Mar, 2023
本文研究了在任务规划中,使用多模态上下文和自然语言处理来进行高层次的计划预测,以提高机器人物理系统的可迁移性,并利用理想计划作为基准来评估计划预测模型的改进空间。
May, 2023