2024-08-14
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Ixiv columna columna est in qua Cor Machina academica et technica publicat. Praeteritis his annis, Cor Machinae AIxiv columnam plus quam 2.000 reportavit, tecta laboratatoria a maioribus universitatibus et societatibus circum orbem terrarum, efficaciter promovens permutationes academicas et disseminationem. Si egregium opus habes quod communicare vis, libenter senties nos conferendi vel nuntiandi contactum. Submissio inscriptio: [email protected];
CRAB, suggestum crucis multi-modalis accumsan notae, a CAMEL AI communitatis ducitur et ab investigatoribus Oxoniae, Stanfordiae, Harvard, KAUST, Eigent AI aliisque institutis ducitur. CAMELUS compages a CAMEL AI explicata communitas est primum multi-agens, fons apertus innixus in magna lingua exempla.
AI agentes unum sunt ex amabilissimis directionibus investigationis in ampla communitatis exemplarium lingua.Agens compage multiplex LLMs statuere potest ac multi-agentia ad perficiendum opera usoris dantur in modo collaborativo vel competitive.。
In statu agentes magis magisque cum magnarum multimodalium exemplaribus (MLM).Sustinet exsecutionem officiorum in usore graphicali interfaciei (GUI) ambitus per varios systemata operandi, inter tela, desktops, et smartphones. Autem, current benchmarks huius modi agentis operandi aestimatio, adhuc multae limitationes habent, sicut multiplicitas operarum aedificationum et ambitus testium, et singularitatis indicibus aestimationis.
Propter haec problemata, haec charta novum ambitus ambitus agentis probatio compagis CAB.CARIS GRAPHIUM GRAPHIUM substructum aestimationem accessionis pulchre adoptat, et efficax negotium praebet et instrumenta constructionis aestimatoria. Investigatio quadrigae huius articuli etiam elaboraverunt testam transversalem testam datam pone CRAB Benchmark-v0 innixam in crab compage, quae 100 munera operit quae in PC et Mauris quis felis ambitibus peragi possunt, inclusa tam traditis operibus simplicibus suggestu et affixis complexu. munera suggesta quae simul operando multiplicibus machinis perfici debent.
Auctor quattuor exempla popularium multi-modalium ad experimenta praevia deducenda delegit. Experimentales eventus ostendunt unum-agens structuram utentem GPT-4o sicut machina illatio summam probationis punctum peractionis 35,26% habet.
introductio
Ut novus agentis aestimatio probatio compagis, CAB (Cross-environment Agent Benchmark) maxime adhibetur ad aestimandas operas agentium secundum exempla multi-modalis linguae (MLMs) in transversis ambitus operibus.CANCER simulare potest missiones reales-mundi, quibus utentes homines multiplicibus machinis simul utuntur ad opera multiplicia complenda., sicut in Demo monstratur, CRAB aestimare potest processum agentis eodem tempore abusionem in ratio escritica Ubuntu et ratio telephonica mobile Android ad informationes mittendis complendas.
https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650930230&idx=5&sn=057238b4b5ba7a27cc76ce2b4ea89253&chksm=84e43848b393a?c1597717a0315f.a. 44134&token=2010422951&lang=zh_CN#rd
Finge si agens intelligens facultatem habet accurate operandi computatrales et telephonicas mobiles simul secundum instructiones humanas, plures multiplices operationes programmatum ab intelligente perfici posse, ita ad efficientiam altiorem operis emendandam.Ad hunc finem assequendum, opus est ut ampliorem et realem crucis suggestum condendi ambitus agentium experiatur, praesertim necesse est ut simultaneam operationem plurium machinorum sustineat ac sufficientem aestimationem commentorum machinarum praebeat.. Crab compago in hoc articulo conatur solvere quaestiones practicas sequentes:
Mensa supradicta ostendit comparationem inter compagem crab in hoc articulo propositam et alios agentis probationis compages existentes.CRAB potest sustinere transversis suggestus ambitus operantes ut computatores ac telephoniis gestabilibus simul, ac missionum usum veriorem simulare possunt.。
Nam cancri multi reticulae laudaverunt.
Aliqui dicunt AGI factum esse quod exemplar linguae magnae (referendo CAB) didicit quomodo Vim exiret.
"Potesne Vim exire?" Haec quaestio saepe iocus est in programmando vel technico communitate, quod Vim difficile esse potest novitiis exitus, praesertim si ignotae sunt cum Vim operandi modos. (Confer emoticon hic)
Nonnulli dicunt difficile esse credere procuratorem posse seriem operum "reprehendere calendarium, aperire Vim, inire modum insertum, eventum inire, exitum inserere modum, et uti :wq servare".
Nonnulli reticulati etiam concluserunt posteros processus robotici automationis (RPA) similiorem esse "placet auxilium mihi sequentia negotia perficere" sine necessitate ut gradatim recordetur ac deinde fragorem cum intra paucos dies currit.
Aliquis etiam memoravit quod lacinia purus Evaluator in CRAB valde callidissimus modus tractandi statum agentis in ambitu est.
Aliqui etiam laudant CRAB pro futuro AI PCs, credentes eam perfectam compositionem esse LLM cum PCs et mobilibus machinis. "RabbtOS-similis AI est quae PCs et cogitationes mobiles exsistens dat habere AI functiones Permittit probare efficaciam et utilitatem multimodis linguae exemplar agentium in mundo reali".
Singulis nodi in GDT subtask (m,i,r), ubi m est ambitus in quo subtask exercetur, i lingua naturalis instructio est, et r munus est praemium.Solebant aestimare statum ambitus m et output valorem Boolean determinare an subtask compleatur. Marginae in GDT significant sequentem inter subtasks necessitudinem.。
CRAB compage
Crucem-agente commercium
CARIS notionem transversim operis primum inducit, coniungens multiplices ambitus (sicut smartphones et cinematographici computatores) in ambitus statuto, agentes permittens operationes inter multiplices cogitationes ad opera multiplicia perficienda coordinare.
Processus operationis utendi ratio multi-agente fundata in divisione laboris environmental in compage cancri ostenditur in figura supra.The workflow progreditur per ansam.. A graphe evaluator tunc monitores status cuiusque operis sub-activi in ambitu ac continue complementum operis per workflui renovat.Haec aestimatio methodus potest prope realem scaenam probare ratiocinandi facultatem agentis.quae requirit ut agens ut multiplicem nuntiationem et profundam cognitionem rerum realium condicionum pertractare possit.
Aliquam lacinia purus Evaluator
CARIS aedificatus in graphi evaluator rationem habet commoda aestimationis tam ordinatis quam trajectoriae ordinatis.quae primum implicata officia in multiplicia artificia corrumpit ad structuram graphi accyclici directam efformandam.Tunc nodi mechanismus activation definitur, hoc est, nodi (subtasks) in grapho opus paulatim moveri secundum complementum operum priorum.procurantes sequentem officiorum executionem. Uniuscuiusque nodi coniungitur cum functione verificationis ad reprimendam clavem civitatum mediarum in ambitu.Praecedente aestimatione benchmarks comparatus, cancri graphi aestimatorii graphi involuti seriem novorum indicium aestimationis inducit.：
Haec metrica praestantiorem lepidiorem et multi- dimensiva aestimationem focus pro benchmarks agentis praebent.
CARIS Probatio-v0
Baseline singula constructum
Cancrorum compage proposita nititur;Articulus hic determinatam probationis probationem constituit CRAB Benchmark-v0 ad ulteriores investigationes a communitate facienda.. CRAB Benchmarkr-v0 sustinet et telephoniis gestabilibus Android et Ubuntu Linux escritorio computatrum ambitus. Et variae actiones propositae definiuntur Ubuntu et Android ut interactiones communes in vita reali simulant.Eius observationis spatium consistit in systematis interfacientibus duorum ambituum et status ambitus in forma eenshotsscrarum obtinetur.. Ut ad faciliorem operationem agentis in GUI, auctor GroundingDINO utitur ad icones interactivas collocandas, utitur EasyOCR ad textum deprehendendum et annotatum interactivum, et ID singulis item detectionibus, ut faciliorem referat subsequentem in spatio operationis. .
Munus quoddam exemplum sumamus. Exempli gratia, hoc negotium in Ubuntu systematis perficiendum: Novam directorium "/home/crab/assets_copy" effinge et omnia documenta cum "txt" extensione definito "/home/crab" effinge. /assets" Exemplar indicem "/home/crab/assets_copy".
Hoc negotium plures gradus ad perficiendum requirit. Figura infra ostendit quomodo GPT-4 Turbo . utaturSingula experimentalia cum consequentia exemplar adhibentur et unum agens structuram utens. Agens primo utitur mandato inquisitionis applicationis ad inveniendum terminum et aperiendum.
Tum uti imperio Linux "mkdir -p /home/crab/assets_copy" ad novum scopum directorium creandum est.
Post directorium scopo creando, agens exemplar mandatum in termino terminali directe executus est;
"cp /home/crab/assets/*.txt/home/crab/assets_copy" ad perficiendum negotium, totum processum leve et leve est, sine ullis erroribus.
Effectus experimentalis
Auctor deinde experimentum baseline in CAB-Probatio-v0 gessit.nucleus agentis est exemplar linguae multi-modalis posterioris-finisquae adhibentur ad praebendas linguas naturales et intelligentiam imaginem, cognitionem fundamentalem machinam, negotium consiliorum et facultates rationis logicae;Opus est ut multi-modales initus mixti et multiplices dialogi circumscriptiones simul tractant, auctor excerpsit GPT-4o (auimus-4o-2024-05-13), GPT-4 Turbo (auimus-4-turbo-2024-04-09), Gemini 1.5 Pro (mai 2024 versio) et Claude 3 Opus. (claude-3-opus-20240229) ut exemplar basi collocatur.
Eventus experimentales in tabula superiore monstrantur, in quibus exempla GPT-4o et GPT-4 Turbo summa media probatio punctum complementum (CR) inter exempla examinis consecuti sunt.In terminis executionis efficientiam (EE) et efficientiam constant (CE), series GPT-4 melior est quam exempla seriei Gemini et Claude.。
duratio 02:37
Summatim
Haec charta novam crucem-amiticam multi agentis aestimationis Probationis CABRUM inducit.Artificium crab magis comprehensivum, flexibile et realisticum praebet tribunal ad aestimationem agentium autonomorum, inducendo opera crucis ambitus, graphi evaluatores et munerum constructionis methodos sub-compositiones innixas.. Cum praecedente agente benchmarks, CAB reducit quod inposuit manuale in gressibus activitatis et efficaciam probationis constructionis valde meliorit. Ex CRAB, hic articulus proponit Cancri Benchmark-v0, qui simul ministros sustinet ad operas varias multiplicis crucis ambitus in Ubuntu et Android systematibus perficiendis.Non solum promovere evolutionem systematum autonomi agentis aestimationem, sed etiam novam inspirationem praebere ad systemata agentis efficaciora in futuro designando.。
refer ad:
[1] Shuyan Zhou et al. WebArena: A realistic Web Environment for Building Autonomous Agentia. Oct.24, 2023. URL: http://arxiv.org/abs/2307.13854. preprint.
[2] Chi Zhang et al. AppAgent: Multimodal Agentia ut SmartphoneUsers. 21 Dec. 2023. URL: http://arxiv.org/abs/2312.13771. preprint.
[3] Shunyu Yao et al. "Webshop: Versus scalabiles reales mundi interretiales commercio cum agentibus lingua fundatis". In: Promovetur in Neural Information Processing Systems 35 (2022), pp.
[4] Tianbao Xie et al. OSWorld: Benchmarking Agentia Multimodalia pro Operibus Open-finitis in Environments Real Computer. 11. Apr. 2024. URL: http://arxiv.org/abs/2404.07972. preprint.
[5] Lin, Fangru, et al. "Graph-amplus Language Modelsin Asynchronous Plan Ratiocinatio". arXiv preprint arXiv:2402.02805 (2024).
[6] Tushar Khot et al. "Decomposed Prompting: Modular Access for Solving Complex Tasks". In: Undecima Conferentia Internationalis de Repraesentatione Learning. 2023. URL: https://openreview.net/forum?id=_nGgzQjzaRy.
[7] Shilong Liu et al. Substructio DINO: Nubere DINO cum Grounded Pre-Training for Open-Set Object Detection. arXiv.org. 9 Martius MMXXIII.
Colligere et ordinare notitias novissimas nuntiorum et liberam facere omnibus reprimendis.
