LLM AS A MASTERMIND: A SURVEY OF STRATEGIC REASONING WITH LARGE LANGUAGE MODELS

已于 2024-08-26 17:26:22 修改
阅读量249 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： LLM Daily Survey Paper Causal and Reasoning 文章标签： 语言模型 人工智能 自然语言处理
于 2024-08-26 17:24:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/141569278

本文是LLM系列文章，针对《LLM AS A MASTERMIND: A SURVEY OF STRATEGIC REASONING WITH LARGE LANGUAGE MODELS》的翻译。

作为策划者的LLM：大型语言模型的战略推理综述

摘要

本文对大型语言模型（LLM）在战略推理中的现状和机遇进行了全面的调查，这是一种复杂的推理形式，需要理解和预测多智能体环境中的对手行为，同时相应地调整策略。战略推理的特点是它关注多主体之间互动的动态性和不确定性，理解环境和预测他人的行为至关重要。我们探索了与LLM战略推理相关的范围、应用、方法和评估指标，强调了该领域的蓬勃发展以及提高其决策表现的跨学科方法。它旨在系统化和澄清关于这一主题的分散文献，提供系统综述，强调战略推理作为一种关键认知能力的重要性，并为未来的研究方向和潜在的改进提供见解。

1 引言

2 定义：什么是LLMS的策略推理

3 场景：在哪里应用LLMS的策略推理

4 方法：如何利用LLMS提高策略推理能力

5 评价：如何用LLMS评价策略推理

6 讨论：基于LLMS的策略推

了解本专栏 订阅专栏 解锁全文 超级会员免费看
[代码大模型]MHPP: Exploring the Capabilities and Limitations of Language Models Beyond Basic Code Generat
强化学习曾小健
06-23 1079
近年来，大型语言模型（LLMs）的进步在代码生成方面大大提高了性能，尤其是在功能级别。例如，GPT-4在HumanEval上的通过率为88.4%。然而，这引发了质疑现有基准在全面评估功能级别代码生成能力方面的充分性。我们的研究分析了两个常见的基准，HumanEval和MBPP，并发现，由于质量、难度和粒度等方面的限制，这些基准可能无法充分评估LLMs的代码生成能力。
大型语言模型综述/总结 LLM A Survey of Large Language Models
m0_52987303的博客
01-14 5387
自20世纪50年代图灵测试提出以来，人类就开始探索机器掌握语言智能。语言本质上是一个受语法规则控制的复杂的人类表达系统。开发强大的人工智能 (AI) 算法来理解和掌握语言提出了重大挑战。作为一种主要方法，语言建模在过去二十年中被广泛研究用于语言理解和生成，从统计语言模型发展到神经语言模型。最近，通过在大规模语料库上预训练 Transformer 模型提出了预训练语言模型（PLM），在解决各种自然语言处理（NLP）任务方面表现出了强大的能力。
大型语言模型驱动的智能体：从诞生到流行
步子哥的博客
06-19 926
总而言之，大型语言模型驱动的智能体正处于快速发展阶段，其强大的语言能力、知识储备、推理规划能力以及可迁移性和泛化性，使其在各种领域展现出巨大潜力。从任务导向到创新导向，从单个智能体到多智能体协作，从人机交互到智能体社会模拟，LLM 驱动的智能体正在不断拓展应用边界，为我们构建更加智能化的未来世界奠定基础。
Proof-of-TBI - 细调视觉语言模型联盟及 OpenAI-o3 推理大语言模型（LLM）支持的轻度创伤性脑损伤（TBI）预测医疗诊断系统
栖客
04-29 781
由于医学影像中轻度创伤性脑损伤（TBI）症状的微妙性和常有的模糊表现，轻度 TBI 的检测面临重大挑战，这使得准确诊断成为一项复杂的任务。为应对这些挑战，我们提出了 Proof-of-TBI，这是一个将多个细调视觉语言模型与 OpenAI-o3 推理大语言模型（LLM）集成的医疗诊断支持系统。我们的方法使用标记的 TBI MRI 扫描数据集对多个视觉语言模型进行细调，训练它们有效诊断 TBI 症状。通过基于共识的决策过程对这些模型的预测结果进行聚合。
AGI之Agent：《Personal LLM Agents: Insights and Survey about the Capability, Efficiency and Security个人
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-14 1928
​ AGI之Agent：《Personal LLM Agents: Insights and Survey about the Capability, Efficiency and Security个人LLM智能体：能力、效率与安全的洞察与调查》翻译与解读 目录 《Personal LLMAgents: Insights and Survey about the Capability, Efficiency and Security个人LLM智能体：能力、效率与安全的洞察与
强化学习：Policy Gradients 学习笔记
只是个人学习笔记
07-01 1307
Policy Gradient（基于 Softmax 的策略梯度算法）是强化学习中的经典策略梯度方法，通过直接优化策略函数来最大化累积奖励。
破译AI黑箱：如何用20行Python理解ChatGPT？
Ven%的博客
07-03 374
fill:#333;color:#333;color:#333;fill:none;现实问题构建参数化模型训练数据定义损失函数自动优化参数得到拟合函数解决新问题用数据自动寻找最优数学函数。更复杂的函数结构（深度神经网络）更庞大的训练数据更高效的优化算法实现了对现实世界复杂规律的建模能力。
自回归生成模型中的推理加速详解
brucexia的专栏
07-03 645
在上一节中，我们详细讲解了自回归生成模型的原理与训练过程，揭示了训练环节的核心重要性。然而，在生成模型的全面实践中，更加关键的一步在于如何精妙地运用这些训练成熟的模型去执行实际的推理任务。而在此过程中，一个至关重要的考量因素，便是如何高效利用现有的设备和资源，以最优化的方式进行模型推理。在本节中，我们将聚焦于生成模型中的推理加速内容，深入探讨如何通过技术手段提升模型推理的速度与效率。
Rust C++ OpenCV kafka-rs实践
keny-大成的博客
06-30 1167
本文摘要： Rust与OpenCV图像处理：涵盖基础操作（加载/显示/保存图像、灰度转换）、滤波增强（高斯模糊/Canny边缘检测/直方图均衡化）、特征检测（SIFT/ORB）及机器学习应用（人脸检测/K均值聚类），需搭配opencv库（v0.66+）。 Rust与Anaconda集成：通过pyo3调用Python科学计算库（如NumPy、scikit-learn），实现数值计算、可视化、模型部署及跨语言数据共享。 Rust自动化框架设计：包括异步任务调度、插件系统、配置热加载、分布式锁、状态机引擎等10个
【AI与数据管理】AI大模型在企业级数据质量管理中的解决方案
tianp123的博客
07-03 519
摘要：AI大模型正革新企业数据质量管理，通过自动清洗、异常检测和一致性维护解决数据量大、错误多样等核心挑战。实施方案分四步：1)数据评估与预处理，使用聚类模型检测异常；2)模型选择与训练，针对文本或数值数据选用BERT或LSTM模型；3)实时部署监控，结合流处理框架；4)持续优化迭代。AI方案可提升效率80%以上，但需注意数据隐私和模型偏差风险，建议从具体场景入手逐步实施。（149字）
网络空间测绘理论体系白皮书（2023年）04测绘体系框架应用实践
sinat_41942180的博客
06-30 1159
网络空间测绘不仅直接作用于网络空间中的数据资源，也会作用于物理空间的真实设备、社会空间的组织机构、认知空间的用户倾向等等。下面以重点域名评估为例。而从更通用的角度上看，在网络空间探测获取到探测对象的基础数据之后，一方面需要针对探测对象作进一步分析处理，把基础探测数据，逐步抽象到类别标签代表的信息、知识，深入回答探测对象是什么、怎么样的问题；网络空间测绘的知识图谱本体涉及 IP、域名、证书、设备、软件等 10 多个信息域实体，同时关联物理域的各粒度地理位置、社会域的各层级组织行业、认知域的多源安全事件等等。
红外图像、彩色图像区别？
weixin_47696437的博客
07-03 515
这一过程在彩色显像管（CRT）和液晶显示器件（LCD）中尤为常见，其中三个电子枪分别发射红、绿、蓝三种颜色的电子束，穿过带有相应滤光片的掩蔽罩，打在荧光涂层屏幕上，从而形成彩色图像[38]。彩色图像的生成和处理不仅依赖于物理原理，还涉及复杂的图像处理技术，如图像增强、分割、边缘检测等，这些技术在现代图像处理和计算机视觉领域中发挥着重要作用[50]。红外图像的定义是通过红外成像技术将物体表面的红外辐射转化为可视图像的技术，其技术原理涉及红外辐射的捕捉、光电转换、信号处理和图像生成等步骤[1][2][6]。
从LangChain接入LLM到创建AI智能体
Theahe的博客
07-02 1161
LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它使得应用程序能够：具有上下文感知能力：将语言模型连接到上下文来源（提示指令，少量的示例，需要回应的内容等）具有推理能力：依赖语言模型进行推理（根据提供的上下文如何回答，采取什么行动等）llm=chat,#每次把之前的内容都做总结conversation_summary_memory.invoke({“input”:“你知道什么是抖音吗？”})
警告：语音深度伪造技术持续升级，威胁加剧
Ousito的博客
07-02 493
是易念科技基于中国用户场景，应用行为心理学的核心思想，自主研发的面向“人为因素风险”的网络安全意识教育管理平台。平台不仅提供了丰富的学习资源和工具，还通过创新的教育方法和手段，提升员工风险防范能力，在适当环境中激发理想的安全行为，评价和量化员工安全意识水平，赋能组织建立人员安全的全过程管理，提升风险管理水平。HumanRisk 平台提供公用云 SaaS 服务，并支持企业私有云部署，既可单独使用也可组合，提供线上线下结合的服务方案，全面满足各类企业、不同规模和成熟阶段的教育培训需求。
深度学习中常见激活函数总结
qq_45464126的博客
07-01 1111
激活函数（Activation Function）是神经网络中神经元的非线性变换函数，作用于神经元的加权输入（加权和）后，决定该神经元的输出。其数学形式通常为 ( a = f(z) )，其中 ( z = w^T x + b ) 是神经元的加权和（( w ) 为权重，( x ) 为输入，( b ) 为偏置）。核心意义：若没有激活函数（或仅用线性函数），无论多少层的神经网络都只能拟合线性关系，无法处理图像、文本等复杂非线性数据。激活函数是深度学习的核心组件，其选择需权衡非线性能力、梯度传播效率和任务特性。
ChatGPT使用限额记录与插件统计
u011426236的博客
07-01 676
消息流中的错误无论怎么试都无法继续使用。后续检索发现是限额问题，于是便搜集整理了一下目前的ChatGPT模型限额的相关信息，特此记录。
深度学习1（深度学习和机器学习的区别，神经网络）
最新发布
gz040725的博客
07-03 195
人工神经网络(Artificial Neural Network，简写为ANN)也简称为神经网络(NN)。是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)结构和功能的 计算模型。分别输入层，输出层以及隐藏层。输入层是神经网络的“入口”，负责接收原始数据（如图像像素、文本词向量、传感器信号等）每一层隐藏层都会学习数据的不同抽象表示（如从边缘→纹理→物体部件→完整物体）将输入数据转换为神经网络可处理的数值形式（通常是向量或矩阵）输出层的设计需匹配具体任务（分类、回归、生成等）深度学习和机器学习都是。
DAY 45 通道注意力(SE注意力)
awsndy的博客
07-02 766
之前复试班强化部分的transformer框架那节课已经介绍过注意力机制的由来，本质从onehot-elmo-selfattention-encoder-bert这就是一条不断提取特征的路。各有各的特点，也可以说由弱到强。其中注意力机制是一种让模型学会「选择性关注重要信息」的特征提取器，就像人类视觉会自动忽略背景，聚焦于图片中的主体（如猫、汽车）。transformer中的叫做自注意力机制，他是一种自己学习自己的机制，他可以自动学习到图片中的主体，并忽略背景。
OpenCV计算机视觉实战（14）——直方图均衡化
qq_30167691的博客
06-30 850
在本文中，我们系统性地介绍了 CLAHE 自适应直方图均衡化、直方图反向投影以及基于颜色追踪的目标定位系统。这些方法不仅能显著增强图像的视觉质量，还能为实际工程项目提供稳健的技术支撑。CLAHE 通过分块与对比度限幅，有效提升了局部细节；反向投影利用颜色概率分布快速筛选目标区域；颜色追踪系统则将上述方法综合运用，实现了可扩展的动态目标跟踪方案。
DeepSeek LLM: Scaling Open-Source Language Models with LongtermismDeepSeek LLM
02-06
### DeepSeek LLM及其长期主义扩展开源语言模型的最佳实践 #### 概述 DeepSeek作为一个致力于开发先进的人工智能解决方案的企业，其大型语言模型（LLM）旨在通过创新的技术手段实现更高效、更具影响力的自然语言处理能力。为了推动这一目标，在实践中采用了多种策略和技术来优化和扩展开源语言模型。 #### 长期主义视角下的模型扩展方法 对于希望采用长期主义原则扩展开源语言模型的研究者而言，可以借鉴如下几种方式： - **持续的数据更新机制**：保持训练语料库的新鲜度至关重要。定期引入新的高质量数据集有助于提升模型的理解能力和表达多样性[^4]。 - **模块化架构设计**：构建易于维护升级的系统结构，使得各个组件之间解耦合良好，便于单独迭代改进不同部分而不影响整体稳定性[^2]。 - **社区驱动的发展模式**：鼓励全球范围内的贡献者参与进来共同完善项目生态；这不仅限于代码层面还包括文档编写、测试反馈等方面的工作[^1]。 #### 实施细节与最佳实践建议 当具体实施上述理念时，应考虑以下几个方面： - **资源分配规划**：合理安排计算资源用于实验探索与生产部署之间的平衡；优先支持那些具有潜力带来显著收益的方向进行深入研究[^3]。 - **性能监控体系建立**：设立完善的指标跟踪框架以便及时发现潜在瓶颈所在，并据此调整算法参数或硬件配置以求得最优性价比表现。 - **安全性和隐私保护措施加强**：随着模型规模不断扩大，确保用户信息安全成为不可忽视的任务之一。采取加密传输协议、匿名化处理敏感信息等手段有效降低风险隐患。 ```python import torch from transformers import AutoModelForCausalLM, AutoTokenizer def load_model(model_name="deepseek/llm"): tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained(model_name) return model, tokenizer model, tokenizer = load_model() print("Model loaded successfully.") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值