اکسپرس 24
ترجمه فارسی مقاله آیا می توانیم برای تهیه برنامه های افکار طولانی به عوامل LLM اعتماد کنیم؟بیایید به عنوان نمونه Travelplanner را بگیریم

ترجمه فارسی مقاله آیا می توانیم برای تهیه برنامه های افکار طولانی به عوامل LLM اعتماد کنیم؟بیایید به عنوان نمونه Travelplanner را بگیریم

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Can We Rely on LLM Agents to Draft Long-Horizon Plans? Let's Take TravelPlanner as an Example
عنوان مقاله به فارسی آیا می توانیم برای تهیه برنامه های افکار طولانی به عوامل LLM اعتماد کنیم؟بیایید به عنوان نمونه Travelplanner را بگیریم
نویسندگان Yanan Chen, Ali Pesaranghader, Tanmana Sadhu, Dong Hoon Yi
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Artificial Intelligence,Machine Learning,هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 12 August, 2024; originally announced August 2024. , Comments: 13 pages, 2 figures, 4 tables
توضیحات به فارسی ارائه شده 12 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 13 صفحه ، 2 شکل ، 4 جدول

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 520,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Large language models (LLMs) have brought autonomous agents closer to artificial general intelligence (AGI) due to their promising generalization and emergent capabilities. There is, however, a lack of studies on how LLM-based agents behave, why they could potentially fail, and how to improve them, particularly in demanding real-world planning tasks. In this paper, as an effort to fill the gap, we present our study using a realistic benchmark, TravelPlanner, where an agent must meet multiple constraints to generate accurate plans. We leverage this benchmark to address four key research questions: (1) are LLM agents robust enough to lengthy and noisy contexts when it comes to reasoning and planning? (2) can few-shot prompting adversely impact the performance of LLM agents in scenarios with long context? (3) can we rely on refinement to improve plans, and (4) can fine-tuning LLMs with both positive and negative feedback lead to further improvement? Our comprehensive experiments indicate that, firstly, LLMs often fail to attend to crucial parts of a long context, despite their ability to handle extensive reference information and few-shot examples; secondly, they still struggle with analyzing the long plans and cannot provide accurate feedback for refinement; thirdly, we propose Feedback-Aware Fine-Tuning (FAFT), which leverages both positive and negative feedback, resulting in substantial gains over Supervised Fine-Tuning (SFT). Our findings offer in-depth insights to the community on various aspects related to real-world planning applications.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLM) به دلیل تعمیم امیدوار کننده و قابلیت های ظهور ، عوامل خودمختار را به هوش عمومی مصنوعی (AGI) نزدیک کرده اند.با این وجود ، عدم مطالعه در مورد نحوه رفتار نمایندگان مبتنی بر LLM ، چرا آنها به طور بالقوه می توانند شکست بخورند ، و چگونه می توانند آنها را بهبود بخشند ، به ویژه در خواستار انجام وظایف برنامه ریزی در دنیای واقعی.در این مقاله ، به عنوان تلاش برای پر کردن شکاف ، ما مطالعه خود را با استفاده از یک معیار واقع گرایانه ، Travelplanner ارائه می دهیم ، جایی که یک عامل برای تولید برنامه های دقیق باید محدودیت های مختلفی را برآورده کند.ما از این معیار استفاده می کنیم تا به چهار سؤال اصلی تحقیق بپردازیم: (1) آیا نمایندگان LLM به اندازه کافی قوی هستند تا زمینه های طولانی و پر سر و صدا هنگام استدلال و برنامه ریزی؟(2) آیا چند ضربه ای می تواند باعث تأثیر منفی بر عملکرد عوامل LLM در سناریوها با زمینه طولانی شود؟(3) آیا می توانیم برای بهبود برنامه ها به پالایش تکیه کنیم و (4) می تواند LLM های تنظیم دقیق با بازخورد مثبت و منفی منجر به بهبود بیشتر شود؟آزمایش های جامع ما نشان می دهد که ، اولاً ، LLM ها با وجود توانایی آنها در رسیدگی به اطلاعات مرجع گسترده و نمونه های چند عکس ، در بخش های مهم یک زمینه طولانی حضور ندارند.ثانیا ، آنها هنوز هم با تجزیه و تحلیل برنامه های طولانی مبارزه می کنند و نمی توانند بازخورد دقیقی برای پالایش ارائه دهند.ثالثاً ، ما پیشنهاد خوب تنظیم شده (FAFT) را ارائه می دهیم ، که از بازخورد مثبت و منفی استفاده می کند ، و در نتیجه سود قابل توجهی نسبت به تنظیم دقیق (SFT) انجام می شود.یافته های ما بینش های عمیقی را در مورد جنبه های مختلف مربوط به برنامه های برنامه ریزی در دنیای واقعی به جامعه ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.