Fugu-MT 論文翻訳(概要): Retrieval-Augmented Code Generation for Situated Action Generation: A Case Study on Minecraft

論文の概要: Retrieval-Augmented Code Generation for Situated Action Generation: A Case Study on Minecraft

arxiv url: http://arxiv.org/abs/2406.17553v1
Date: Tue, 25 Jun 2024 13:43:24 GMT
ステータス: 処理完了
システム内更新日: 2024-06-26 14:10:33.496587
Title: Retrieval-Augmented Code Generation for Situated Action Generation: A Case Study on Minecraft
Title（参考訳）: 推定行動生成のための検索拡張コード生成:Minecraftを事例として
Authors: Chalamalasetti Kranti, Sherzod Hakimov, David Schlangen,
Abstract要約: Minecraft Collaborative Building Taskでは、2人のプレーヤーが協力する。アーキテクト(A)がビルダー(B)に指示を与え、3Dブロックを使って特定の構造を組み立てる。本研究では,大規模言語モデル (LLM) を用いて,ビルダが行う動作の順序を予測する。
参考スコア（独自算出の注目度）: 18.256529559741075
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the Minecraft Collaborative Building Task, two players collaborate: an Architect (A) provides instructions to a Builder (B) to assemble a specified structure using 3D blocks. In this work, we investigate the use of large language models (LLMs) to predict the sequence of actions taken by the Builder. Leveraging LLMs' in-context learning abilities, we use few-shot prompting techniques, that significantly improve performance over baseline methods. Additionally, we present a detailed analysis of the gaps in performance for future work
Abstract（参考訳）: Minecraft Collaborative Building Taskでは、2人のプレーヤーが協力する。アーキテクト(A)がビルダー(B)に指示を与え、3Dブロックを使って特定の構造を組み立てる。本研究では,大規模言語モデル(LLM)を用いて,ビルダのアクションシーケンスを予測する。 LLMのインコンテキスト学習能力を活用することで、ベースライン手法よりもパフォーマンスを大幅に向上させる、数発のプロンプト技術を用いています。さらに,今後の作業におけるパフォーマンスのギャップを詳細に分析する。

関連論文リスト

TreeSBA: Tree-Transformer for Self-Supervised Sequential Brick Assembly [51.29305265324916]
入力された多視点画像から連続的な組立動作を予測するために,クラスに依存しないツリー・トランスフォーマフレームワークを提案する。逐次レンガ組立作業の大きな課題は、ステップワイドアクションラベルが実際に入手するのに費用がかかり、面倒であることである。我々は、合成から現実への移行学習を活用することにより、この問題を緩和する。
論文参考訳（メタデータ） (2024-07-22T14:05:27Z)
A LLM Benchmark based on the Minecraft Builder Dialog Agent Task [5.555936227537389]
本研究では,空間的指向性タスクにおけるLLM能力を評価するのに適したLCMベンチマークにMinecraftビルダータスクを適用することを提案する。このアプローチにより、異なるエージェントの特定の長所や短所を探索し、空間的推論とベクトルベースの数学の挑戦的な領域におけるLLMの能力をテストすることができると信じている。
論文参考訳（メタデータ） (2024-07-17T16:52:23Z)
COLT: Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
そこで我々は,Collaborative Learning-based Tool Retrieval approach, COLTを提案する。 COLTはユーザクエリとツール記述のセマンティックな類似性をキャプチャする。また、ツールの協調的な情報も考慮に入れている。
論文参考訳（メタデータ） (2024-05-25T06:41:23Z)
Demystifying Instruction Mixing for Fine-tuning Large Language Models [29.69436955342966]
本研究は,NLPダウンストリームタスク,コーディング,一般的なチャットという,命令を3つの主要なタイプに分類する。特定の命令型は特定のアプリケーションに対してより有利であるが、他の領域に悪影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2023-12-17T18:44:26Z)
Ada-Instruct: Adapting Instruction Generators for Complex Reasoning [17.07852413707166]
Ada-Instruct は,オープンソース LLM の微調整によって開発された適応型命令生成器である。我々はAda-Instructの有効性を、コード補完、数学的推論、常識推論を含む様々なアプリケーションで実証的に検証した。
論文参考訳（メタデータ） (2023-10-06T13:28:04Z)
CRAFT: Customizing LLMs by Creating and Retrieving from Specialized Toolsets [75.64181719386497]
大規模言語モデル(LLM)のためのツール作成・検索フレームワークであるCRAFTを提案する。タスク用に特別にキュレートされたツールセットを作成し、複雑なタスクを解決する能力を高めるためにこれらのセットからツールを取得するコンポーネントをLLMに装備する。本手法はフレキシブルに設計されており,既製のLCMを細かな調整なしに未確認領域やモダリティに適応するためのプラグアンドプレイ方式を提供する。
論文参考訳（メタデータ） (2023-09-29T17:40:26Z)
CREATOR: Tool Creation for Disentangling Abstract and Concrete Reasoning of Large Language Models [74.22729793816451]
大規模言語モデル(LLM)はツールの利用において大きな進歩を遂げているが、その能力はAPIの可用性によって制限されている。我々は、LCMがドキュメンテーションとコード実現を使って独自のツールを作成できる新しいフレームワークCREATORを提案する。我々は,MATH と TabMWP のベンチマークで CREATOR を評価する。
論文参考訳（メタデータ） (2023-05-23T17:51:52Z)
Instruct2Act: Mapping Multi-modality Instructions to Robotic Actions with Large Language Model [63.66204449776262]
Instruct2Actは、ロボット操作タスクのシーケンシャルアクションにマルチモーダル命令をマッピングするフレームワークである。我々のアプローチは、様々な命令のモダリティや入力タイプを調節する上で、調整可能で柔軟なものである。我々のゼロショット法は、いくつかのタスクにおいて、最先端の学習ベースのポリシーよりも優れていた。
論文参考訳（メタデータ） (2023-05-18T17:59:49Z)
Learning to Execute Actions or Ask Clarification Questions [9.784428580459776]
命令をいつ要求するか、実行すべきかを判断できる新しいビルダーエージェントモデルを提案する。実験結果から,本モデルが協調作業における最先端性能を達成できることが示唆された。
論文参考訳（メタデータ） (2022-04-18T15:36:02Z)
Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文参考訳（メタデータ） (2020-04-28T09:15:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。