PerOS：云上的个性化自适应操作系统
LLaMaS 使用大型语言模型（LLMs）从文本描述中提取新设备的有用特征，并使用这些特征在运行时进行操作系统决策，从而为新设备提供高性能，减轻系统管理员将新设备集成到生产系统中的负担。
Jan, 2024
本文旨在介绍一种创新的人机交互范式，其中用户与机器的交互由相互连接的生成性人工智能模型生态系统处理，这一范式通过大规模的生成模型实现，使得用户无需显式命令或复杂导航，直接与系统进行自然语言对话，并为用户提供上下文和有意义的响应，提供流畅和直观的交互方式。然而，这一范式带来了隐私、安全、可信性和生成模型的道德使用等重大挑战，需要建立强有力的保护机制来预防潜在的数据滥用或操纵。
Oct, 2023
AIOS 是一种将大型语言模型嵌入操作系统的操作系统，旨在优化资源分配、促进代理间的上下文切换、实现代理的并发执行、为代理提供工具服务并维护代理的访问控制。通过并发执行多个代理的实验，我们证明了 AIOS 模块的可靠性和效率，旨在提高大型语言模型代理的性能和效率，并为未来 AIOS 生态系统的更好发展和部署开创先河。
Mar, 2024
这篇论文描述了一个具有革命性的 AIOS-Agent 生态系统，其中大型语言模型（LLM）作为具有灵魂的（人工）智能操作系统（IOS 或 AIOS）的基础。在此基础上，开发了多种基于 LLM 的 AI Agent 应用（AAPs），丰富了 AIOS-Agent 生态系统，并标志着从传统的 OS-APP 生态系统向新的范式转变。我们预见 LLM 的影响不会局限于人工智能应用层面，相反，它将彻底改变计算机系统、架构、软件和编程语言的设计和实施，主要概念包括 LLM 作为操作系统（系统级别）、应用程序作为应用程序（应用程序级别）、自然语言作为编程接口（用户级别）和工具作为设备 / 库（硬件 / 中间件级别）。
Dec, 2023
使用大型语言模型进行用户交互的研究，结合机器学习和交互设计来改善推荐系统和操作系统的用户体验，以提供更智能和个性化的服务，满足用户需求并促进产品的不断改进和优化。
Feb, 2024
智能手机已成为承载多种深度学习模型的中心，该研究介绍了一种新的移动人工智能范式，使用协同管理方法在移动操作系统和硬件之间实现一个基础模型，能够为各种移动人工智能任务提供服务。
Aug, 2023
利用 LLMOps 整合个性化推荐系统是管理 LLM 驱动应用的重要进展，这项创新为企业提供机会和挑战，需要专门的团队在处理工程技术复杂性的同时，优先考虑数据安全和模型可解释性。通过利用 LLMOps，企业可以提高大规模机器学习模型的效率和可靠性，推动与用户偏好相符的个性化推荐。尽管存在伦理考虑，LLMOps 仍面临着广泛采用的前景，将带来更高效安全的机器学习服务，提升用户体验，塑造个性化推荐系统的未来。
Apr, 2024
本文介绍了一种创新的低代码开发和部署方法，利用基于代币经济学的全球分散式合作社区，解决基础设施分配、成本和安全的作业分配问题，以实现端到端的智能应用管道。
Jun, 2023
本文提出一种基于 Personalization Head (PH) 的模型架构和训练 / 推理框架来实现大规模的个性化智能，采用的方法是将 PH 附加到预训练的语言模型中，从而显著减小了整体模型大小和训练成本，实验结果表明这种方法优于零 - shot 基线。
Mar, 2022