从零开始发展规划类任务的基础模型的案例
本文旨在探讨基础模型（FMs）在数据清洗和集成等传统数据任务中的表现，研究发现大型 FM 模型可以在这些任务中取得 SoTA 表现，并针对这一发现提出了相关挑战和机遇。
May, 2022
基于人工智能的大规模基础模型在自主驾驶中具有着巨大的应用潜力，能够提升场景理解和推理能力，增强语言和行动命令的认知推理，并改善自主驾驶系统的准确性和可靠性。同时，通过自我监督学习范式下的大规模数据，世界模型可以生成看似真实的未见过的驾驶环境，促进对道路使用者行为的预测和驾驶策略的离线训练，从而提高自主驾驶的安全性和处理长尾分布问题的能力。
Dec, 2023
自主规划和调度是人工智能中增长最快的领域之一，本研究通过对 126 篇论文进行全面检视，调查了 LLMs 在地址规划问题的各个方面时的独特应用，并提出了八个类别：语言翻译、计划生成、模型构建、多智能体规划、交互规划、启发式优化、工具集成以及脑启发式规划，强调 LLMs 与传统符号规划器的结合展示出潜力，揭示出一种有前景的神经符号化方法。
Jan, 2024
在基础模型的基础上，通过 Learn From Model 技术对模型进行调优、蒸馏和元学习等方面的研究，以提升基础模型的能力和性能，为未来的研究探索和解决待解决的问题提供参考。
Oct, 2023
本篇论文提出了一种新型的人工智能生态系统，将基础模型与数百万 API 相连通以实现各种数字和实体任务，该方法主要利用基础模型作为中心系统，将这些 API 作为子任务解决器，以完成各种任务。
Mar, 2023
基于 Large Language Models 的 FMware 软件开发引发了一系列软件工程挑战，该研究讨论了这些挑战并提出了创新的解决方案，同时介绍了 FMArts 长期项目以及其在设计和开发可靠 FMware 方面的应用和学习经验。
Feb, 2024
基于最近的研究，我们通过实验表明，大语言模型（LLMs) 缺乏规划所需的必要技能。基于这些观察，我们提倡将 LLMs 与经典规划方法相结合的混合方法的潜力。然后，我们引入了一种新颖的混合方法 SimPlan，并在一个新的具有挑战性的环境中评估其性能。我们在各种规划领域进行了大量实验，结果表明 SimPlan 明显优于现有的基于 LLMs 的规划器。
Feb, 2024
通过开放地理空间数据和自我监督学习，CityFM 构建了一个多模态的预训练基础模型，用于处理地理空间数据和回答城市相关问题，并在道路、建筑和区域级别的任务上获得了优秀的性能。
Oct, 2023
本研究旨在探索基于基础模型（foundation models）在智能农业领域的潜力，通过回顾计算机科学领域的最新研究，并将其归类为语言基础模型、视觉基础模型、多模态基础模型和强化学习基础模型，本文提出了农业基础模型的发展过程和潜在应用及其在模型训练、验证和部署过程中可能面临的挑战，旨在通过引入农业基础模型这一有前景的范式，显著减少对大规模标记数据集的依赖，同时提高农业人工智能系统的效率、效果和泛化能力。
Aug, 2023