通过提出一个框架,使用户能够无缝地探索、评估和综合多种响应,并通过 Luminate 互动系统与 8 名专业作家的用户研究展示了这个框架的可行性和有用性,我们推进了与大型语言模型的创造性任务互动的方式,引入了一种利用大型语言模型的创造潜力的方法。
Oct, 2023
该论文提出了一种利用自然语言处理技术从无结构自然语言文本中自动生成系统图的方法,其目的是为系统工程师提供更加标准、全面和自动化的起点,并在六个案例中进行了验证。
Aug, 2022
利用大型语言模型,提出了一种比较和分析不同业务领域相似公司的方法,为数字业务模型设计提供支持和创意生成。
Jun, 2024
我们提供了一个原型工具,利用模型驱动工程(MDE)和大型语言模型(LLM)的协同作用,以实现汽车行业软件开发过程的自动化。在这种方法中,用户提供的输入是自由形式的文本需求,首先使用 LLM 将其转换为 Ecore 模型实例表示,然后使用对象约束语言(OCL)规则检查其一致性。在成功的一致性检查后,模型实例被作为输入提供给另一个 LLM,以进行代码生成。所生成的代码在一个紧急制动场景的模拟环境中,通过连接到一个示例的集中式车辆架构的 CARLA 模拟器进行评估。
Apr, 2024
通过调整参数和不同的提示工程技术,探索大型语言模型在生成多样化设计方案方面的有效性,并通过比较多个参数和提示工程方法的组合,以及使用相同多样性指标与人工设计方案进行比较,结果表明人类生成的解决方案在所有设计主题上始终有更高的多样性评分。
May, 2024
基于大型语言模型的自动统计模型发现方法,在预先制定的模型空间、开放式空间和自然语言约束下,能够与人类专家设计的模型媲美,并以可解释的方式扩展经典模型的性能,具有很大的潜力。
Feb, 2024
本文提出了一种结合基于知识的 LLMs 因果分析和数据驱动因果结构学习的新框架,以构建因果结构学习的新范式,并介绍了一套广泛的提示组,以从给定变量中提取因果图,并评估 LLM 先前因果对从数据中恢复因果结构的影响
Jun, 2023
大型语言模型 (Large Language Models, LLMs),如 GPT-4 的进步为生成设计提供了新的机会,本文调查了该工具在整个设计和制造流程中的应用。通过一系列示例,我们突出了当前 LLMs 的优点和局限性,旨在推动这些模型的持续改进和进步。
Jul, 2023
LLMatDesign 是一个基于大型语言模型的可解释材料设计框架,通过使用 LLM 代理来翻译人类指令、修改材料并使用提供的工具评估结果,以零样本的方式适应新任务和条件,通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性,展示了在计算环境中基于自主 LLM 引导的材料发现对于未来的自动化实验室的显著潜力。
使用大型语言模型(LLMs)的句子嵌入的最新研究提出,然而大部分现有的 LLMs 都建立在自回归架构上,主要捕捉正向依赖,忽视反向依赖。本文首先提出定量证据,证明 LLMs 对反向依赖的学习有限。然后,我们提出一种称为依赖增强大型语言模型(DeeLM)的新方法来改善句子嵌入。具体而言,我们发现在 LLMs 中存在一个转折点,当超过特定的 LLM 层时,语义文本相似性(STS)任务的性能显著下降。STS 是评估句子嵌入的关键任务。我们提取转折点后的层使其双向,从而实现对反向依赖的学习。大量实验证明,DeeLM 优于基线方法,在各种 STS 任务中实现了最先进的性能。
Nov, 2023