提出一个基于 “模式导向”“责任 AI 设计” 的参考架构，从 “基础模型作为连接器” 到 “基础模型作为单片式架构”，演进人工智能系统的架构，以提供可重复使用的解决方案，以应对新的架构演变和负责任的 AI 挑战。

Apr, 2023

本研究的目标是提供 AI 系统的设计模式的概述 —— 无论是新的还是适应性的 —— 以提高特定的软件质量属性和解决频繁出现的问题，并将它们收集、分类，并使它们易于为研究人员和从业者所获取，从而使结果在这一新兴领域可被用来作为后续研究的基础和为设计基于 AI 的系统提供相关模式的参考。

Mar, 2023

决策制定需要通过知觉、记忆和推理之间的复杂相互作用来识别最优策略。本文提出基于基础代理的构建作为学习代理的一种变革性转变，旨在解决决策制定中面临的低样本效率和泛化能力差的挑战。通过从大型语言模型（LLMs）获得启示，明确了基础代理的基本特征和面临的挑战，以及从大规模的交互式数据收集或生成到自监督预训练和自适应，再到与 LLMs 的知识和价值对齐的基础代理的路线图。最后，指出了从提出的构想中得出的关键研究问题，并勾勒了基于真实世界用例支持的基础代理的趋势，旨在解决技术和理论方面的问题，推动该领域朝着更全面和有影响力的未来发展。

May, 2024

提出了一种交互式代理基础模型，采用新颖的多任务代理训练范式，实现了跨领域、数据集和任务训练 AI 代理的能力，展示了其在机器人技术、游戏 AI 和医疗保健领域的性能，支持多模态和多任务学习。

Feb, 2024

本研究提出了一个基于基础模型的系统分类法，涉及预训练和微调，基于基础模型的系统的体系结构设计以及负责任的 AI-by-design。该分类法为基于基础模型的系统设计提供了具体的指南，并突出了设计决策带来的权衡。

May, 2023

基于对代理与基础模型互动模式的分类和对该模式的扩展架构提出的综述性论文，为实现基础模型在实际人工智能系统中的潜力提供了指导。

Feb, 2024

本文提供了一种基于多声学文献综述 (Multivocal Literature Review，MLR) 结果的负责任 AI 模式目录，该目录系统地提供了适用于 AI 系统利益相关者的模式，以确保开发的 AI 系统在整个治理和工程生命周期内负责任。

Sep, 2022

本文检查了基于决策制定的基础模型的范围，并提供了理解问题空间和探索新研究方向的概念工具和技术背景。通过各种方法，例如提示、条件生成建模、规划、最优控制和强化学习，审查了将基础模型用于实际决策制定应用的最近方法，并讨论了该领域的常见挑战和开放问题。

Mar, 2023

该研究综述介绍了基础模型在自动驾驶中的应用，探讨了其在规划、仿真、三维物体检测以及多模态模型方面的作用，并提供了基于模态和功能对基础模型的分类，同时指出了现有模型与创新自动驾驶方法之间的差距，并提出了填补这些差距的未来研究方向和路线图。

Feb, 2024

本文提出对于混合神经符号系统的模块化设计模式，包括基础模式和组合模式，以及在两个真实案例中进行模式应用，同时提出分类神经符号架构的新型设计模式以及一个分类词汇表。

Feb, 2021