


Das Open-Source-Framework MetaGPT wurde auf GitHub populär und erreichte 11.000 Sterne, indem es den Softwareentwicklungsprozess simulierte
Mit der kontinuierlichen Entwicklung großer Sprachmodelle (LLM) ist deren Verwendung zum Aufbau von KI-Agenten zu einem neuen Forschungsgebiet geworden. Frühere Forschungen haben LLM erfolgreich eingesetzt, um Multiagenten-Agenten dazu zu bringen, einige Aufgaben autonom zu erledigen. Die aktuelle Forschung konzentriert sich jedoch hauptsächlich auf einfache Aufgaben und untersucht komplexe Aufgaben nur unzureichend. Dies liegt hauptsächlich daran, dass große Sprachmodelle „Illusions“-Probleme haben, insbesondere wenn mehrere Agenten interagieren. Das Halluzinationsproblem wird schwerwiegender und kann nicht auf komplexe Aufgaben angewendet werden
Kürzlich wurde ein Open-Source-Framework namens „MetaGPT“ ausprobiert um dieses Problem zu lösen. Das Ziel von MetaGPT besteht darin, als Metaprogrammierungsansatz effiziente menschliche Arbeitsabläufe in die LLM-gesteuerte Multi-Agenten-Zusammenarbeit zu integrieren. Wenige Tage nachdem es online ging, hat MetaGPT schnell mehr als 11,1.000 Sterne gewonnen der Arbeitsablauf eines Softwareentwicklungsunternehmens, der die Zuweisung von Rollen zu jedem Agenten und die Planung des Zusammenarbeitsprozesses erfordert, ähnlich der Personalzuteilungssituation eines Softwareentwicklungsunternehmens
MetaGPT bettet zunächst die standardisierte Betriebsanweisung (SOP) in Prompt ein , wodurch der Zusammenarbeitsprozess mehrerer Agenten strukturiert wird. Anschließend modularisierte das Forschungsteam die Ausgabe weiter und gab dem Agenten Fachwissen, das dem von menschlichen Arbeitern entspricht, um die Ausgabe zu überprüfen und zusammengesetzte Fehler zu reduzieren. MetaGPT weist verschiedenen Agenten über eine Arbeitspipeline Rollen zu und erstellte so ein Framework, das komplexe Aufgaben effektiv lösen kann Probleme bei der Zusammenarbeit mit mehreren Agenten lösen und kohärenter machen
Am Beispiel der Entwicklung von Empfehlungsmaschinen demonstrierte das Forschungsteam die selbstgenerierten Ergebnisse des „Architect Agent“ im Schnittstellendesign des MetaGPT-Systems. Dies ist von entscheidender Bedeutung Schritt für die Softwareentwicklung
MetaGPT ist in der Lage, verschiedene komplexe Aufgaben zu bewältigen, wie z. B. die Entwicklung einfacher Spielesoftware, und sein Aufgabenausführungsprozess kann mit den Standards menschlicher Entwickler verglichen werden. Eins-zu-eins-Korrespondenz zwischen Betriebsabläufen ( SOPs)
Nachdem MetaGPT Benutzereingabeanforderungen erhalten hat, übernimmt der Agent die Rolle des Produktmanagers und analysiert Anforderungen und Machbarkeit. Der Agent fungiert dann als Architekt, Projektmanager und Ingenieur und führt nacheinander die Softwareentwicklung durch. Schließlich ist ein weiterer Agent für die umfassende Prüfung der Software verantwortlich. Dieser Prozess simuliert den realen Entwicklungsprozess sehr gut. Schauen wir uns einen Fall an, in dem MetaGPT eine bestimmte Entwicklungsaufgabe abschließt. Benutzer müssen lediglich eine Anforderung angeben, z. B. „Ein Blackjack-Spiel schreiben“. MetaGPT führt eine Anforderungsanalyse und Aufgabenplanung durch und generiert erfolgreich Spielcode
Das Forschungsteam gab in der Projekt-Roadmap an: MetaGPT-Plan mittelgroße Projekte (ca. 2.000 Zeilen Code) kurzfristig selbstständig abzuschließen und letztendlich die Fähigkeit zu erlangen, selbständig zu trainieren, zu verfeinern, zu optimieren, anzuwenden und zu aktualisieren
Das Papier finden Sie unter folgendem Link: https://arxiv.org/pdf/2308.00352.pdf Interessierte Leser können sich das Papier ansehen, um ein tieferes Verständnis des Forschungsthemas zu erhalten
Das obige ist der detaillierte Inhalt vonDas Open-Source-Framework MetaGPT wurde auf GitHub populär und erreichte 11.000 Sterne, indem es den Softwareentwicklungsprozess simulierte. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Bei der Bildanmerkung handelt es sich um das Verknüpfen von Beschriftungen oder beschreibenden Informationen mit Bildern, um dem Bildinhalt eine tiefere Bedeutung und Erklärung zu verleihen. Dieser Prozess ist entscheidend für maschinelles Lernen, das dabei hilft, Sehmodelle zu trainieren, um einzelne Elemente in Bildern genauer zu identifizieren. Durch das Hinzufügen von Anmerkungen zu Bildern kann der Computer die Semantik und den Kontext hinter den Bildern verstehen und so den Bildinhalt besser verstehen und analysieren. Die Bildanmerkung hat ein breites Anwendungsspektrum und deckt viele Bereiche ab, z. B. Computer Vision, Verarbeitung natürlicher Sprache und Diagramm-Vision-Modelle. Sie verfügt über ein breites Anwendungsspektrum, z. B. zur Unterstützung von Fahrzeugen bei der Identifizierung von Hindernissen auf der Straße und bei der Erkennung und Diagnose von Krankheiten durch medizinische Bilderkennung. In diesem Artikel werden hauptsächlich einige bessere Open-Source- und kostenlose Bildanmerkungstools empfohlen. 1.Makesens

Bei der Textanmerkung handelt es sich um die Arbeit mit entsprechenden Beschriftungen oder Tags für bestimmte Inhalte im Text. Sein Hauptzweck besteht darin, zusätzliche Informationen zum Text für eine tiefere Analyse und Verarbeitung bereitzustellen, insbesondere im Bereich der künstlichen Intelligenz. Textanmerkungen sind für überwachte maschinelle Lernaufgaben in Anwendungen der künstlichen Intelligenz von entscheidender Bedeutung. Es wird zum Trainieren von KI-Modellen verwendet, um Textinformationen in natürlicher Sprache genauer zu verstehen und die Leistung von Aufgaben wie Textklassifizierung, Stimmungsanalyse und Sprachübersetzung zu verbessern. Durch Textanmerkungen können wir KI-Modellen beibringen, Entitäten im Text zu erkennen, den Kontext zu verstehen und genaue Vorhersagen zu treffen, wenn neue ähnliche Daten auftauchen. In diesem Artikel werden hauptsächlich einige bessere Open-Source-Textanmerkungstools empfohlen. 1.LabelStudiohttps://github.com/Hu

Mit solch einer mächtigen KI-Imitationsfähigkeit ist es wirklich unmöglich, dies zu verhindern. Hat die Entwicklung der KI mittlerweile dieses Niveau erreicht? Ihr vorderer Fuß lässt Ihre Gesichtszüge fliegen, und auf Ihrem hinteren Fuß wird genau der gleiche Ausdruck reproduziert. Starren, Augenbrauen hochziehen, schmollen, egal wie übertrieben der Ausdruck ist, alles wird perfekt nachgeahmt. Erhöhen Sie den Schwierigkeitsgrad, heben Sie die Augenbrauen höher, öffnen Sie die Augen weiter, und sogar die Mundform ist schief und der Ausdruck des Avatars kann perfekt reproduziert werden. Wenn Sie die Parameter auf der linken Seite anpassen, ändert der virtuelle Avatar auf der rechten Seite auch seine Bewegungen entsprechend, um eine Nahaufnahme von Mund und Augen zu erhalten. Man kann nicht sagen, dass die Nachahmung genau gleich ist, aber der Ausdruck ist genau derselbe gleich (ganz rechts). Die Forschung stammt von Institutionen wie der Technischen Universität München, die GaussianAvatars vorschlägt

Die Technologie zur Gesichtserkennung und -erkennung ist bereits eine relativ ausgereifte und weit verbreitete Technologie. Derzeit ist JS die am weitesten verbreitete Internetanwendungssprache. Die Implementierung der Gesichtserkennung und -erkennung im Web-Frontend hat im Vergleich zur Back-End-Gesichtserkennung Vor- und Nachteile. Zu den Vorteilen gehören die Reduzierung der Netzwerkinteraktion und die Echtzeiterkennung, was die Wartezeit des Benutzers erheblich verkürzt und das Benutzererlebnis verbessert. Die Nachteile sind: Es ist durch die Größe des Modells begrenzt und auch die Genauigkeit ist begrenzt. Wie implementiert man mit js die Gesichtserkennung im Web? Um die Gesichtserkennung im Web zu implementieren, müssen Sie mit verwandten Programmiersprachen und -technologien wie JavaScript, HTML, CSS, WebRTC usw. vertraut sein. Gleichzeitig müssen Sie auch relevante Technologien für Computer Vision und künstliche Intelligenz beherrschen. Dies ist aufgrund des Designs der Webseite erwähnenswert

Lassen Sie mich Ihnen das neueste AIGC-Open-Source-Projekt vorstellen – AnimagineXL3.1. Dieses Projekt ist die neueste Version des Text-zu-Bild-Modells mit Anime-Thema und zielt darauf ab, Benutzern ein optimiertes und leistungsfähigeres Erlebnis bei der Generierung von Anime-Bildern zu bieten. Bei AnimagineXL3.1 konzentrierte sich das Entwicklungsteam auf die Optimierung mehrerer Schlüsselaspekte, um sicherzustellen, dass das Modell neue Höhen in Bezug auf Leistung und Funktionalität erreicht. Zunächst erweiterten sie die Trainingsdaten, um nicht nur Spielcharakterdaten aus früheren Versionen, sondern auch Daten aus vielen anderen bekannten Anime-Serien in das Trainingsset aufzunehmen. Dieser Schritt erweitert die Wissensbasis des Modells und ermöglicht ihm ein umfassenderes Verständnis verschiedener Anime-Stile und Charaktere. AnimagineXL3.1 führt eine neue Reihe spezieller Tags und Ästhetiken ein

Neues SOTA für multimodale Dokumentverständnisfunktionen! Das Alibaba mPLUG-Team hat die neueste Open-Source-Arbeit mPLUG-DocOwl1.5 veröffentlicht, die eine Reihe von Lösungen zur Bewältigung der vier großen Herausforderungen der hochauflösenden Bildtexterkennung, des allgemeinen Verständnisses der Dokumentstruktur, der Befolgung von Anweisungen und der Einführung externen Wissens vorschlägt. Schauen wir uns ohne weitere Umschweife zunächst die Auswirkungen an. Ein-Klick-Erkennung und Konvertierung von Diagrammen mit komplexen Strukturen in das Markdown-Format: Es stehen Diagramme verschiedener Stile zur Verfügung: Auch eine detailliertere Texterkennung und -positionierung ist einfach zu handhaben: Auch ausführliche Erläuterungen zum Dokumentverständnis können gegeben werden: Sie wissen schon, „Document Understanding“. " ist derzeit ein wichtiges Szenario für die Implementierung großer Sprachmodelle. Es gibt viele Produkte auf dem Markt, die das Lesen von Dokumenten unterstützen. Einige von ihnen verwenden hauptsächlich OCR-Systeme zur Texterkennung und arbeiten mit LLM zur Textverarbeitung zusammen.

Papieradresse: https://arxiv.org/abs/2307.09283 Codeadresse: https://github.com/THU-MIG/RepViTRepViT funktioniert gut in der mobilen ViT-Architektur und zeigt erhebliche Vorteile. Als nächstes untersuchen wir die Beiträge dieser Studie. In dem Artikel wird erwähnt, dass Lightweight-ViTs bei visuellen Aufgaben im Allgemeinen eine bessere Leistung erbringen als Lightweight-CNNs, hauptsächlich aufgrund ihres Multi-Head-Selbstaufmerksamkeitsmoduls (MSHA), das es dem Modell ermöglicht, globale Darstellungen zu lernen. Allerdings wurden die architektonischen Unterschiede zwischen Lightweight-ViTs und Lightweight-CNNs noch nicht vollständig untersucht. In dieser Studie integrierten die Autoren leichte ViTs in die effektiven

FP8 und die geringere Gleitkomma-Quantifizierungsgenauigkeit sind nicht länger das „Patent“ von H100! Lao Huang wollte, dass jeder INT8/INT4 nutzt, und das Microsoft DeepSpeed-Team begann, FP6 auf A100 ohne offizielle Unterstützung von NVIDIA auszuführen. Testergebnisse zeigen, dass die FP6-Quantisierung der neuen Methode TC-FPx auf A100 nahe an INT4 liegt oder gelegentlich schneller als diese ist und eine höhere Genauigkeit aufweist als letztere. Darüber hinaus gibt es eine durchgängige Unterstützung großer Modelle, die als Open-Source-Lösung bereitgestellt und in Deep-Learning-Inferenz-Frameworks wie DeepSpeed integriert wurde. Dieses Ergebnis wirkt sich auch unmittelbar auf die Beschleunigung großer Modelle aus – in diesem Rahmen ist der Durchsatz bei Verwendung einer einzelnen Karte zum Ausführen von Llama 2,65-mal höher als der von Doppelkarten. eins
