从零理解 LLM 与 Agent

StarlingX is an open source distributed cloud platform. More info here: https://www.starlingx.io/

代理、主体->智能体agents 摘要 会话和基于聊天的语言模型的快速发展使复杂任务解决取得了显著进展。然而，他们的成功在很大程度上依赖于人工输入来指导对话，这可能具有挑战性且耗时。本文探讨了构建可扩展技术的潜力，以促进交际智能体之间的自主合作，并深入了解他们的“认知”过程。为了应对实现自主合作的挑

还记得在 8月份，我们公开的 AgentBench 测试榜单吗？在当时的榜单中，各类开源模型的智能体能力普遍表现不佳。 图片 对于 Agent 能力提升的策略，现有许多工作多使用 Prompt / 微调方法优化模型，在单项智能体任务上取得了卓越的表现，但智能体任务之间的促进及泛化效果有待进一步探索。

智能化 Agent 简单反射型 Agent 基于模型的反射型 Agent 基于目标的 Agent 基于效用的 Agent 学习 Agent 在讨论智能化 Agent 之前，我们首先来了解一下，什么是 Agent？ Agent 是一个通过传感器感知所处环境、通过执行器对环境产生作用的东西。 如果将人类

文章目录 1. 前言 2. 应用场景 2.1 LLMs 对研究界的应用 2.1.1 经典 NLP 任务 2.1.2 信息检索 2.1.3 推荐系统 2.1.4 多模态大语言模型 2.1.5 知识图谱增强型 LLM 2.1.6 基于 LLM 的智能体 2.1.7 用于评估 2.2 特定领域的应用 3.

1. 背景 根据本qiang~最新的趋势观察，基于MoE架构的开源大模型越来越多，比如马斯克的Grok-1(314B), Qwen1.5-MoE-A2.7B等，因此想探究一下MoE里面的部分细节。 此文是本qiang~针对大语言模型的MoE的整理，包括原理、流程及部分源码。 2. MoE原理 MoE

前言 截止到目前，我们已经从大模型的定义概念，应用层涉及的一些概念做了些了解。在大模型的应用开发中，RAG、Agent等概念我们之前也做了些简述，没有看过的可以粗略回顾一下：大模型06-大模型应用开发之准备篇。 本文我们重点讲的就是伴随着大模型的广泛应用，这些概念是在什么体系和场景下衍生的；换句话说

LlaMA 3 系列博客 基于 LlaMA 3 + LangGraph 在windows本地部署大模型 （一） 基于 LlaMA 3 + LangGraph 在windows本地部署大模型 （二） 基于 LlaMA 3 + LangGraph 在windows本地部署大模型 （三） 基于 LlaMA

Multimodal Foundation Models: From Specialists to General-Purpose Assistants 基本信息 博客贡献人 燕青 作者 Chunyuan Li, ZheGan, Zhengyuan Yang, et al. 标签 LLM, Mult