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:2406.00765

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2406.00765 (cs)
[提交于 2024年6月2日 ]

标题: 基于视觉信息和预测导向提示的基于大语言模型的身体世界模型

标题: The Embodied World Model Based on LLM with Visual Information and Prediction-Oriented Prompts

Authors:Wakana Haijima, Kou Nakakubo, Masahiro Suzuki, Yutaka Matsuo
摘要: 近年来,随着机器学习,特别是视觉和语言理解方面的进步,嵌入式人工智能的研究也得到了发展。 VOYAGER 是一个著名的基于大语言模型的具身人工智能,它能够在我的世界(Minecraft)中实现自主探索,但它存在视觉数据利用不足和作为世界模型功能有限等问题。 在本研究中,旨在提高具身人工智能性能的情况下,探讨了利用视觉数据以及大语言模型作为世界模型的功能的可能性。 实验结果表明,大语言模型能够从视觉数据中提取必要信息,而信息的利用提高了其作为世界模型的性能。 还建议设计的提示可以发挥大语言模型作为世界模型的功能。
摘要: In recent years, as machine learning, particularly for vision and language understanding, has been improved, research in embedded AI has also evolved. VOYAGER is a well-known LLM-based embodied AI that enables autonomous exploration in the Minecraft world, but it has issues such as underutilization of visual data and insufficient functionality as a world model. In this research, the possibility of utilizing visual data and the function of LLM as a world model were investigated with the aim of improving the performance of embodied AI. The experimental results revealed that LLM can extract necessary information from visual data, and the utilization of the information improves its performance as a world model. It was also suggested that devised prompts could bring out the LLM's function as a world model.
主题: 人工智能 (cs.AI) ; 计算与语言 (cs.CL)
引用方式: arXiv:2406.00765 [cs.AI]
  (或者 arXiv:2406.00765v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2406.00765
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Wakana Haijima [查看电子邮件]
[v1] 星期日, 2024 年 6 月 2 日 14:50:01 UTC (229 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
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 | 2024-06
切换浏览方式为:
cs
cs.CL

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