gpt-4 | BriefGPT - AI 论文速递

关键词gpt-4

搜索结果 - 238

JiuZhang3.0：通过训练小型数据合成模型高效提升数学推理能力
基于 GPT-4 的数据合成能力，我们提出了一种通过训练小型语言模型来合成数学问题，以高效生成足够高质量的预训练数据的有效方法，并在数学推理数据集上展现了最先进的性能。
PDFa month ago
无线应用设计中的大型语言模型：具上下文学习增强的自动网络入侵检测
使用预训练 LLM 强化框架进行完全自动化网络入侵检测，通过在真实网络入侵检测数据集上进行实验，证明了在上下文学习方面的优势，可以在无需进一步训练或微调 LLMs 的情况下改善任务处理性能，GPT-4 的测试准确性和 F1 分数可以提高约
PDF2 months ago
GPT-4 在矩阵游戏中扮演操纵人工智能
Matrix Games 是一种无约束战争游戏，用于探索场景。该研究重点关注 QuAI Sera Sera 的 Matrix Game，在该游戏中，GPT-4 以人类操作员为接口，与其他玩家进行私下沟通并选择有支持的行动。
PDF2 months ago
比较 GPT-4 与 Chat-GPT 在心理健康护理中的功效：对大型语言模型进行盲评估以支持心理辅导
该研究比较了两个大型语言模型 GPT-4 和 Chat-GPT 在回应 18 个心理提示方面的表现，以评估它们在心理健康护理环境中的潜在适用性。结果显示 GPT-4 在生成临床相关和富有同理心的回应方面更有效，提供更好的支持和指导。这项研究
PDF2 months ago
医学中大型语言模型与多模态大型语言模型的综述
该调查论文介绍了 LLMs 和 MLLMs 的发展背景和原则，并探讨了它们在医学中的应用场景、挑战和未来方向。通过追踪从传统模型到 LLMs 和 MLLMs 的演变，概括了模型结构以提供详细的基础知识。强调 LLMs 和 MLLMs 在医疗
PDF2 months ago
MedConceptsQA -- 开源医学概念问答基准
我们介绍了 MedConceptsQA，这是一个专门用于医学概念问答的开放源码基准。该基准包含了不同词汇的各种医学概念问题：诊断、手术和药品。我们对该基准进行了使用各种大型语言模型的评估。我们发现，尽管经过医学数据的预训练，预先训练的临床大
PDF2 months ago
多模态 LLMs 在基础视觉网络分析中的挑战：VNA 基准测试
评估了 GPT-4 和 LLaVa 在小规模图上执行简单的视觉网络分析任务的零样本能力，并发现尽管 GPT-4 始终优于 LLaVa，但两个模型在所有提出的任务中都难以解决每个视觉网络分析任务，我们还公开发布了首个基于视觉网络分析任务评估
PDF2 months ago
人们在图灵测试中无法区分 GPT-4 与人类
GPT-4 在随机和受控的图灵测试中被评定为人类 54％的时间，它超过了 ELIZA（22％），但落后于实际人类（67％）。该研究表明了人工系统通过交互式图灵测试的第一个有力实证，并提出了当前人工智能系统可能未被察觉的欺骗行为，因而对机器智
PDF2 months ago
数字诊断：大型语言模型在识别常见疾病症状中的潜力
通过评估 LLMs（GPT-4、Gemini 和 GPT-3.5）在诊断能力方面，本研究展示了它们如何显著提高医学诊断的准确性和效率，强调在应用 LLMs 于医疗和临床实践时需要更加关注患者隐私和遵守相关法规，以及研究人类偏见对 LLMs
PDF2 months ago
大型语言模型估计细粒度人类色彩概念关联
通过研究人像的颜色概念关联评分与 GPT-4 评分的相关性，探讨了 GPT-4 能够准确预测人类颜色概念关联的能力，并证明了 GPT-4 可以有效估算各种概念的颜色关联分布，为设计有效且直观的信息可视化提供了重要工具。
PDF2 months ago
PropertyGPT：通过递归加智能规则生成从而实现智能合约的 LLM 驱动形式验证
利用大型语言模型，本研究提出了 PropertyGPT 系统，该系统可以通过生成可编译、适当且可验证的自定义属性来检测代码缺陷和安全漏洞，实验结果显示其能够生成高质量的属性，相较于真实情况，其召回率达到 80％。
PDF2 months ago
ICLRWildChat：百万条 ChatGPT 野外互动日志
ChatGPT 发布了 WildChat 数据集，包含 100 万个用户与 ChatGPT 之间的对话，记录了最多样的用户提示，最多语言和最丰富多样的潜在有毒使用案例；同时，还基于地理区域和时间维度丰富了用户行为的详细分析，证明了数据集在指
PDF2 months ago
ACL利用大型语言模型检测德语泰勒克通道中超越关键词偏见的阴谋论
使用 BERT-like 模型和 prompt-based 方法（Llama2、GPT-3.5 和 GPT-4）来检测德语 Telegram 消息中的阴谋论，结果表明两种方法都是有效的，最佳模型是 GPT-4，具有自定义的阴谋论定义。
PDF2 months ago
CT-Agent: 临床试验多智能体基于大语言模型的推理
一个整合了 GPT-4、多智能体架构、从最少到最多过滤排序和反应推理技术的临床多智能体系统（CT-Agent），在临床试验任务中提高了大语言模型的性能，并引入了新的功能。
PDF2 months ago
LLM 聊天机器人的模仿能力如何？通过 ECHO 评估
使用 ECHO 框架基于图灵测试评估三种角色扮演型大型语言模型（LLMs），结果发现 GPT-4 在欺骗人类评估者方面更为有效，并且 GPTs 实现了 48.3% 的领先成功率。
PDF2 months ago
SIGIR超越准确性：探究 GPT-4 对 USMLE 问题的错误类型
GPT-4 在医疗问答任务中表现出高准确性，但仍存在约 14% 的错误。因此，我们引入了一种与医学学生合作得出的新的领域特定错误分类系统。我们的 GPT-4 USMLE Error（G4UE）数据集包含 4153 个 GPT-4 正确回答和
PDF2 months ago
结构化知识库在大型语言模型中优化元数据整理的应用
通过对 200 个描述肺癌人样本的 NCBI BioSample 数据记录进行实验，评估 GPT-4 对于符合元数据标准的建议编辑能力，并通过同行评审过程计算了字段名 - 字段值对的符合精确度，发现辅助 GPT-4 以 CEDAR 模板的文
PDF3 months ago
COLING用于量级形容词词汇语义和量级多样性语用学的大型语言模型探测
这项研究使用 GPT-4 等大型语言模型探究了标量形容词的词汇语义和语用学的一个方面，即标量多样性。结果发现，这些模型对标量形容词的词汇语义有很好的理解，但对标量多样性的理解却不足。同时，对比了不同规模和复杂性的模型，发现较大的模型并不总是
PDF3 months ago
一项改进的道德图灵测试中对人工智能代理的归因
人们对人工智能系统的道德评价是否与人类生成的道德评价相似的问题对于人工智能的进展具有重要意义。我们进行了一项改编自 Allen 等人（2000）提议的改进型道德图灵测试（m-MTT），通过要求参与者区分真实的人类道德评价和由一个流行的先进
PDF3 months ago
揭示 LLM 在时间数据上的不同归纳偏见
大型语言模型（LLMs）在理解并处理时间动态方面仍面临巨大挑战，本研究通过对 GPT-3.5 和 GPT-4 模型在分析时间数据时的性能评估，揭示了它们之间的差异和为特定时间关系偏向的倾向，而这种模型间的持续差异突显了 LLMs 的归纳偏见
PDF3 months ago