Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2402.07877

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2402.07877 (cs)
[提交于 2024年2月12日 (v1) ,最后修订 2025年4月23日 (此版本, v4)]

标题: WildfireGPT:用于野火分析的定制大型语言模型

标题: WildfireGPT: Tailored Large Language Model for Wildfire Analysis

Authors:Yangxinyu Xie, Bowen Jiang, Tanwi Mallick, Joshua David Bergerson, John K. Hutchison, Duane R. Verner, Jordan Branham, M. Ross Alexander, Robert B. Ross, Yan Feng, Leslie-Anne Levy, Weijie Su, Camillo J. Taylor
摘要: 近期大型语言模型(LLMs)的进步代表了人工智能前沿的一项变革性能力。然而,LLMs是通用模型,经过广泛的文本语料库训练,往往难以提供特定上下文的信息,特别是在需要专门知识的领域,比如在气候变化的大背景下关于野火的详细信息。 对于专注于野火韧性和适应性的决策者来说,获得不仅精确而且领域特定的响应至关重要。 为此,我们开发了WildfireGPT,这是一种原型LLM代理,旨在将用户查询转化为关于野火风险的实际见解。 我们通过提供额外的上下文,如气候预测和科学文献,来丰富WildfireGPT,以确保其信息是最新的、相关的且科学准确的。 这使得WildfireGPT能够成为一种有效的工具,为用户提供详细的、特定于用户的关于野火风险的见解,以支持包括但不限于研究人员和工程师在内的多样化终端用户,从而产生积极影响并辅助决策。
摘要: Recent advancement of large language models (LLMs) represents a transformational capability at the frontier of artificial intelligence. However, LLMs are generalized models, trained on extensive text corpus, and often struggle to provide context-specific information, particularly in areas requiring specialized knowledge, such as wildfire details within the broader context of climate change. For decision-makers focused on wildfire resilience and adaptation, it is crucial to obtain responses that are not only precise but also domain-specific. To that end, we developed WildfireGPT, a prototype LLM agent designed to transform user queries into actionable insights on wildfire risks. We enrich WildfireGPT by providing additional context, such as climate projections and scientific literature, to ensure its information is current, relevant, and scientifically accurate. This enables WildfireGPT to be an effective tool for delivering detailed, user-specific insights on wildfire risks to support a diverse set of end users, including but not limited to researchers and engineers, for making positive impact and decision making.
评论: 恢复arXiv:2402.07877v2的内容,该内容因错误被替换。
主题: 人工智能 (cs.AI)
引用方式: arXiv:2402.07877 [cs.AI]
  (或者 arXiv:2402.07877v4 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2402.07877
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yangxinyu Xie [查看电子邮件]
[v1] 星期一, 2024 年 2 月 12 日 18:41:55 UTC (1,415 KB)
[v2] 星期三, 2024 年 8 月 28 日 19:01:23 UTC (6,256 KB)
[v3] 星期五, 2025 年 3 月 28 日 17:14:39 UTC (11,571 KB)
[v4] 星期三, 2025 年 4 月 23 日 03:30:33 UTC (6,256 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-02
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号