Large Language Models (LLMs) as Agents for Augmented Democracy

最新推荐文章于 2025-11-24 18:29:32 发布
最新推荐文章于 2025-11-24 18:29:32 发布
阅读量164 收藏
点赞数 2
CC 4.0 BY-SA版权
分类专栏： LLM Daily 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/143977348

本文是LLM系列文章，针对《Large Language Models (LLMs) as Agents for Augmented Democracy》的翻译。
@[TOC](大型语言模型 (LLM) 作为增强民主的推动者)

摘要

我们探索了一个建立在现成的LLM基础上的增强民主系统，该系统经过微调，可以增强从巴西 2022 年总统选举两位主要候选人的政府计划中提取的公民偏好数据。我们使用训练测试交叉验证设置来估计LLM预测的准确性：受试者的个人政治选择和完整参与者样本的总体偏好。在个人层面上，我们发现LLM比“捆绑规则”更准确地预测样本偏好，“捆绑规则”假设公民总是投票支持符合他们自我报告的政治倾向的候选人的提案。在总体水平上，我们表明，与单独的非增强概率样本相比，LLM增强的概率样本可以更准确地估计总体偏好。总之，这些结果表明，使用LLM增强的政策偏好数据可以捕捉超越政党界限的细微差别，并代表了数据增强研究的一个有前途的途径。

引言

结果和方法

讨论

使用MATLAB的大型语言模型（LLM）Large Language Models (LLMs) with MATLAB
07-27
使用MATLAB的大型语言模型（LLM） 将MATLAB连接到Ollama（用于本地LLM）、OpenAI聊天完成API（支持ChatGPT）和AzureOpenAI服务 使用MATLAB的大型语言模型（LLM） 在MATLAB中打开文件交换上的MATLAB在线查看大型...
大型语言模型（Large Language Models，LLMs）概览.docx
08-31
大型语言模型（Large Language Models，LLMs）概览
AgentBench: Evaluating LLMs As Agents
夏栀的博客
07-29 2514
现如今，大语言模型在指令微调和偏好对齐的微调下能够展现出类似人类的智能。目前有许多工作提出了一些LLM-as-an-agent的工作，例如AutoGPT、BabyAGI、AgentGPT等。但是目前如何系统性地评估Agent的好坏依然是一个比较棘手的挑战。目前有一些评估的工作，比如文本类的游戏、多模态的游戏模拟等，但是这些评估方法通常是闭源、离散的，且场景过于单一。为了解决这个问题，本文提出AgentBench，一种多维度多场景（环境）的LLM-as-Agent的评估基准。
LLM速览篇【61-90】
hjzhang75的博客
10-24 1365
这些研究论文探索了大型语言模型（LLM）在多个领域中的应用与发展。通过对不同工作方向进行分类，我们可以更清晰地看到LLM在对话系统、文本处理、音视频处理以及系统辅助等方面的最新进展。
[论文笔记]Query Rewriting for Retrieval-Augmented Large Language Models
日积月累，天道酬勤
06-11 3206
⭐ 作者提出了可在查询之前先应用LLM作为重写器对问题进行重写，然后再走RAG的流程。同时也提出了可以训练一个小模型来作为重写器。但博主对该小模型的泛化能力存疑。建议还是通过在提示词中给一些示例，让LLM进行重写。
Query Rewriting for Retrieval-Augmented Large Language Models
weixin_43961909的博客
06-29 1587
大语言模型（LLM）在检索--然后阅读（retrieve--then--read）管道中发挥着强大的黑盒阅读器的作用，在知识密集型任务中取得了显著进展。这项工作从查询重写的角度出发，为检索增强型 LLMs 引入了一个新的框架，即重写-检索-阅读（Rewrite-RetrieveRead），而不是以前的检索-重写-阅读（Retrieve-then-read）。与之前侧重于调整检索器或阅读器的研究不同，我们的方法关注的是搜索查询本身的调整，因为输入文本与检索所需的知识之间不可避免地存在差距。
《Retrieval-Augmented Generation for Large Language Models: A Survey》 AI 解读
悟鸣的技术博客
04-01 2169
论文标题：《Retrieval-Augmented Generation for Large Language Models: A Survey》
Prompt Engineering for Large Language Models
weixin_43961909的博客
02-28 1256
随着 OpenAI 的 ChatGPT 和 Google 的 Bard 等软件的普及，大语言模型（LLM）已经渗透到生活和工作的许多方面。例如，ChatGPT 可用于提供定制食谱，建议替换缺失的成分。它可用于起草研究提案、用多种编程语言编写工作代码、在语言之间翻译文本、协助政策制定等等（Gao 2023）。用户通过“提示”或自然语言指令与大型语言模型进行交互。精心设计的提示可以带来明显更好的输出。在这篇评论中，将解释 LLM 即时工程的常见策略。
[论文精读]Unsupervised Information Refinement Training of Large Language Models for Retrieval-Augmented
m0_52911108的博客
09-15 2764
检索增强生成（RAG）通过整合来自检索的附加信息来增强大型语言模型（LLM）。然而，研究表明，大语言模型在有效利用检索信息方面仍然面临挑战，甚至会忽略检索信息或被检索信息误导。其关键原因在于，对 LLM 的训练并不能让 LLM 明确学会如何利用输入的不同质量的检索文本。在本文中，我们提出了一个新的视角，将 LLMs 在 RAG 中的角色视为 "信息提炼者"，即无论检索文本的正确性、完整性或有用性如何，LLMs 都能持续整合检索文本中的知识和模型参数，生成比检索文本更简洁、准确和完整的文本。
Can Large Language Models be Anomaly Detectors for Time Series? 解读
qq_44944580的博客
03-21 1327
省流：好文，一篇蓝海！！
中文翻译的 Hands-On-Large-Language-Models (hands-on-llms)，动手学习大模型
08-21
随着人工智能领域的迅速发展，大型语言模型（Large Language Models，LLMs）已经成为推动自然语言处理（Natural Language Processing，NLP）进步的核心技术之一。这些模型以其卓越的文本理解能力、强大的文本生成...
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 212
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 333
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 545
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 202
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1765
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 483
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 227
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
【字节跳动 AI 原生 IDE TRAE 】
youngerwang的博客
11-22 690
字节跳动推出的AI原生IDE TRAE是国内首款协作级AI开发工具，采用"交互层-智能层-协议层-生态层"四层架构，支持SOLO智能自主开发模式和多模态交互。核心功能包括：1）SOLO模式支持需求分析、工具调度和全流程自动化开发；2）双模式交互系统兼顾精细控制和快速原型开发；3）多模态交互支持语音、图像和代码片段输入；4）开放的智能体生态系统。TRAE深度融合大模型能力，在前后端开发中展现出高效代码生成和自动化能力，并通过MCP协议实现安全工具调用。产品迭代迅速，216天发布63个版本，
Large Language Models as Commonsense Knowledge for Large-Scale Task Planning
02-26
### 大型语言模型在大规模任务规划中的应用 大型语言模型（LLMs）能够处理复杂的自然语言输入并生成连贯的响应，这使得其成为执行基于常识的任务规划的理想工具[^3]。通过利用这些模型所具备的知识库以及推理能力，可以实现更高效的大规模任务规划。 #### 基于常识知识的任务规划 为了使机器理解人类意图并有效地完成指定目标，在设计自动化系统时引入了常识概念。LLM 可以被用来解析描述日常活动或复杂操作场景的文字材料，并从中提取有用的信息来指导决策过程。例如： - **环境感知**：识别环境中存在的物体及其属性； - **动作序列推断**：根据给定的目标状态推测出一系列必要的行动步骤； ```python def infer_action_sequence(goal_state, current_environment): """ 使用 LLM 推理从当前环境到目标状态所需的动作序列 参数: goal_state (str): 描述期望达到的状态字符串 current_environment (dict): 表示现有条件的数据结构 返回: list[str]: 动作指令列表 """ prompt = f"In order to achieve {goal_state}, what actions should be taken starting with this environment:\n{current_environment}" response = llm_api(prompt) action_list = parse_response_into_actions(response) return action_list ``` #### 实际应用场景 当涉及到实际部署时，研究者们已经探索了一些潜在的应用领域，其中一些包括但不限于以下几个方面： - **智能家居控制**：通过语音命令让家庭设备协同工作以满足居住者的特定需求； - **物流配送优化**：安排最优路径和时间表以便货物及时送达客户手中； - **医疗保健辅助**：协助医生制定个性化治疗方案或者提醒患者按时服药等健康维护措施； 尽管取得了显著进展，但在解释性和可靠性方面的挑战仍然存在，这对于确保系统的安全性和有效性至关重要[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值