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:2501.00562v2

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.00562v2 (cs)
[提交于 2024年12月31日 (v1) ,最后修订 2025年1月3日 (此版本, v2)]

标题: 大型语言模型在开放式问题解决方案实现生成中的应用概述与讨论

标题: An Overview and Discussion on Using Large Language Models for Implementation Generation of Solutions to Open-Ended Problems

Authors:Hashmath Shaik, Alex Doboli
摘要: 大型语言模型为设计自动化实现生成方法提供了新的机会,这些方法可以解决超越传统方法的问题求解活动,传统方法需要算法规范,并且只能使用静态领域知识,如性能指标和基本构建块库。 大型语言模型可以支持创建新方法,以支持开放式问题的问题求解活动,例如问题框架设定、探索可能的求解方法、特征详细说明和组合、更高级的实现评估以及处理意外情况。 本报告总结了当前关于大型语言模型的工作,包括模型提示、强化学习和检索增强生成。 也讨论了未来的研究需求。
摘要: Large Language Models offer new opportunities to devise automated implementation generation methods that can tackle problem solving activities beyond traditional methods, which require algorithmic specifications and can use only static domain knowledge, like performance metrics and libraries of basic building blocks. Large Language Models could support creating new methods to support problem solving activities for open-ended problems, like problem framing, exploring possible solving approaches, feature elaboration and combination, more advanced implementation assessment, and handling unexpected situations. This report summarized the current work on Large Language Models, including model prompting, Reinforcement Learning, and Retrieval-Augmented Generation. Future research requirements were also discussed.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI)
引用方式: arXiv:2501.00562 [cs.CL]
  (或者 arXiv:2501.00562v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.00562
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Hashmath Shaik [查看电子邮件]
[v1] 星期二, 2024 年 12 月 31 日 17:48:33 UTC (705 KB)
[v2] 星期五, 2025 年 1 月 3 日 06:28:02 UTC (707 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.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.AI

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