Feb, 2024

基于 LLM 的公共行政领域语义模板的多智能体生成半结构化文档

PDF
TL;DR在数字化过程中，特别是在公共管理领域，文件的创建和管理变得越来越复杂和多样化。本文提出了一种结合大型语言模型（LLMs）、提示工程和多智能体系统的新方法，用于生成符合所需结构的新文档。该方法通过从 LLM 进行语义检索生成任务描述，取代了常用的人工提示方式，并通过一系列实验和案例研究展示了其在现实世界的公共管理场景中的有效性。
发现论文，激发创造
  • 利用 LLMs 实现内容为中心的认知代理的知识获取自动化

    该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动，将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式，其含义与智能代理语义词典中的及物动词等效。实验展示了一种融合基于知识的方法、资源、传统数据分析和大型语言模型的混合学习架构的优势。

    Dec, 2023

  • 在公共事务领域利用大型语言模型进行主题分类

    本研究探讨了大型语言模型在分类公共事务文件中的性能，发现 LLMs 可以有效处理和理解公共事务文件中使用的复杂语言，并可用于处理特定领域的文件，如公共事务文件。

    Jun, 2023

  • 大型语言模型用于合成参与式规划共享自动化电动出行系统

    通过批判性利用大型语言模型（LLM）创建数字化代表不同利益相关者来规划共享自动化电动出行系统（SAEMS）的合成参与方法，本文介绍了一个在快速演变的移动技术多利益相关者环境中释放协同效应以解决城市交通问题的新方法。通过蒙特利尔案例研究的结果表明，这种结构化和可调参数的工作流程相较于单个 LLM 启用的专家代理生成的 SAEMS 计划，提供了具有较高可控性和综合性的输出。因此，该方法为改善多目标交通规划的包容性和可解释性提供了一条具有成本效益的途径，暗示了我们对可持续和公平交通系统的设想和战略的范式转变。

    Apr, 2024

  • Wiki-LLaVA: 分层的检索增强生成模型用于多模态语言模型

    我们提出了一种名为 Wiki-LLaVA 的方法，通过一个分层检索流程，将多模态文档的外部知识源集成到 LLM 中，用作额外的上下文，从而增强了生成的对话的效果和准确性。我们在具有外部数据的视觉问答数据集上进行了大量实验，并证明了该方法的适用性。

    Apr, 2024

  • 正式 - LLM：将正式语言和自然语言整合为可控制的基于 LLM 的代理人

    该篇论文提出了一种名为 ``Formal-LLM'' 的新型框架用于基于 LLM 的代理，通过结合自然语言的表现力和形式语言的准确性，使规划过程具有控制性，从而防止代理生成无效和不成功的计划，并且通过实验验证了该框架在任务性能上取得的超过 50% 的整体性能提升，为在规划的有效性至关重要的应用场景中更广泛地利用 LLM 提供了可能性。

    Feb, 2024

  • 模拟中的 LLM 实验：用于数字孪生中的过程仿真参数化的大型语言模型多主体系统

    本文介绍了一种新颖的多智能体系统框架设计，利用大型语言模型（LLM）自动化数字孪生中的过程模拟参数化。我们提出了一个多智能体框架，包括观测、推理、决策和总结四种类型的智能体。通过启用 LLM 智能体与模拟模型之间的动态交互，该系统可以自动探索模拟的参数化，并使用启发式推理确定一组参数以控制模拟以实现目标。所提出的方法通过将 LLM 的启发式融入模拟模型，增强了模拟模型，并通过协助复杂的决策过程，增加了对用户的友好性并减轻了用户的认知负荷。通过案例研究证明了系统的有效性和功能，并在 GitHub 存储库中提供可视化演示。

    May, 2024

  • 大型语言模型作为城市居民：用于个人移动生成的 LLM 代理框架

    这篇论文介绍了一种使用大型语言模型（LLM）融入到代理框架中的创新方法，用于灵活高效的个性化移动生成，并重点解决了将 LLMs 与现实世界的城市移动数据对接的三个研究问题：将 LLMs 与丰富的活动数据对接、开发可靠的活动生成策略以及探索 LLMs 在城市移动中的应用。

    Feb, 2024

  • 基于 LLM 的提示修改和用户反馈的交互式查询生成助手

    该研究论文介绍了一种新的搜索界面，支持对单语或多语言文档集合进行自动生成查询，并通过用户反馈来优化查询，从而解决用户在查询表达方面的困难。

    Nov, 2023

  • AutoManual: 通过互动环境学习，由 LLM 代理生成指南手册

    通过自动生成规则和提高适应性，AutoManual 框架使基于大型语言模型（LLM）的代理能够自主构建自身的理解并适应新的环境。在 ALFWorld 基准任务上，通过 GPT-4-turbo 和 GPT-3.5-turbo，AutoManual 显著提高了任务成功率，并生成了人可读的综合手册。

    May, 2024

  • 通过半结构化数据和大型语言模型集成自动生成高质量的医学仿真场景

    采用半结构化数据与大型语言模型（LLMs）相结合，本研究引入了一种医学教育变革框架，以自动化生成医学模拟场景。该创新显著缩短了场景开发所需的时间和资源，实现了更广泛的模拟类型，提高了参与度和知识获取，突显了人工智能在推动教育成果和患者护理标准方面的关键作用。

    Apr, 2024