<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/css" href="rsstyle.css"?><rss version="2.0">
<channel>
<title>计算机科学-栏目: 大语言模型技术研究及应用</title>
<description>栏目: 大语言模型技术研究及应用</description>
<link>https://www.jsjkx.com</link>
<language>zh-cn</language>
<docs>https://www.jsjkx.com/CN/current.shtml</docs>
<generator>https://www.jsjkx.com</generator>
<ttl>5</ttl>
<item>
<title><![CDATA[大语言模型智能体操作系统研究综述]]></title>
    <link>https://www.jsjkx.com/CN/abstract/abstract24002.shtml</link>
<description><![CDATA[大语言模型智能体操作系统,也叫智能体操作系统,是整合大模型、工具资源以及多智能体协同的核心平台,目前正逐渐成为推动通用人工智能发展的一个关键研究方向。对智能体操作系统领域的研究进展进行了系统梳理,首先从基础理论着手,回顾了多种大模型的演进情况以及智能体和传统操作系统领域的进展;接着,围绕典型体系结构,如AIOS等,阐述了其分层架构与模块化设计是怎样达成资源管理与智能调度的。进一步地,明确了当前智能体操作系统在上下文整合、扩展性以及安全性等方面面临的技术挑战,同时也提出了未来借助轻量化设计、自监督学习机制以及动态调度算法来提升多智能体协作效率。该研究的主要贡献为,将那些分散的研究给予整合,促使技术框架变得更为明晰,并指出了智能体操作系统对新兴体系以及行业定制化实践覆盖不全面的情况。未来的研究需要侧重推动跨域智能体操作系统自我进化的能力,并且加快其在各个领域的落地等。]]></description>
<category><![CDATA[]]></category>
<author><![CDATA[郭陆祥, 王越余, 李芊玥, 李莎莎, 刘晓东, 纪斌, 余杰]]></author>
<pubDate><![CDATA[2026-01-08 00:00:00.0]]></pubDate>
</item>
<item>
<title><![CDATA[实际应用场景中的大模型高效推理技术综述]]></title>
    <link>https://www.jsjkx.com/CN/abstract/abstract24003.shtml</link>
<description><![CDATA[近年来,大语言模型(Large Language Models,LLMs)技术迎来了快速发展,其在各行业的应用呈现出蓬勃增长的态势。从自然语言处理到智能推荐,再到信息检索和自动化写作,LLMs正逐渐成为许多领域中不可或缺的工具。然而,随着应用场景的逐渐多样化和需求的不断增加,LLMs推理效率问题日益凸显。在实际应用场景中,快速准确的推理能力对于响应用户请求、处理大规模数据和实时决策至关重要。为了应对这一挑战,学术界展开了广泛的研究和探索,致力于提高LLMs的推理效率。对此,全面调研了实际应用场景中有关LLMs高效推理的文献。首先,介绍了LLMs推理的原理,并分析了在实际应用场景中如何提高LLMs的推理效率。然后,引入了一个针对实际应用场景的分类系统,其主要分为3个层面,分别是算法优化层面、参数优化层面和系统优化层面;并对大模型进行相关研究的总结和归纳。最后,探讨了未来可能的研究方向。]]></description>
<category><![CDATA[]]></category>
<author><![CDATA[刘利龙, 刘国明, 齐保元, 邓雪杉, 薛迪展, 钱胜胜]]></author>
<pubDate><![CDATA[2026-01-08 00:00:00.0]]></pubDate>
</item>
<item>
<title><![CDATA[基于大语言模型的业务流程长尾变化应变方法]]></title>
    <link>https://www.jsjkx.com/CN/abstract/abstract24004.shtml</link>
<description><![CDATA[业务流程应变是业务流程管理的重要任务,旨在通过调整流程模型和实例行为来响应不断变化的环境,从而提高其柔韧性并实现业务目标。建模时,残留不确定性导致的长尾变化无法避免,给传统的业务流程应变技术带来了挑战。目前针对长尾变化最有效的应变方法基于一种三方协作框架,即由负责感知长尾变化和提出应变策略的前端业务人员、负责提供服务接口和合规性要求的后端技术人员和管理层,以及辅助应变实施的工具系统共同协作来应对长尾变化,保障业务目标达成。然而,长尾变化在不同时空条件下的多样性、复杂性和应变的迫切性,极有可能超出前端业务人员在应变时对当前情境的理解能力、依据情境制定应变策略的专业水平,以及将应变策略采用领域专用语言有效表达的熟练程度。为弥补这一缺憾并进一步拓展上述框架,提出了一种基于大语言模型的业务流程长尾变化应变方法LLM-Adapt,充分利用大语言模型的泛化能力、强大的内容生成能力,以及嵌入的事件与对策知识库,形成一种更高效、灵活的应变机制。首先,以基于长尾变化特征的提示词工程为媒介,使前端业务人员能够通过自然语言与大语言模型进行交互并获得应变方案。其次,结合后端管理层制定的业务基线目标约束对应变方案进行功能性约束验证,提出的SSDT-Lane算法基于流程结构相似性对应变方案进行筛选,消除了大语言模型在流程调整、业务和组织架构匹配等方面面临的幻觉风险。基于合成数据和真实开源数据集的典型案例分析实验显示,LLM-Adapt相比现有方法,在应变准确性、效率、适用性等方面都表现出显著优势。]]></description>
<category><![CDATA[]]></category>
<author><![CDATA[邵欣怡, 朱经纬, 张亮]]></author>
<pubDate><![CDATA[2026-01-08 00:00:00.0]]></pubDate>
</item>
<item>
<title><![CDATA[大模型赋能战术对抗仿真实验体系架构及技术路径研究]]></title>
    <link>https://www.jsjkx.com/CN/abstract/abstract24005.shtml</link>
<description><![CDATA[战术对抗仿真实验是作战分析、模拟训练和基于仿真的装备活动的核心手段,其智能化、自动化水平直接影响实验效能和战斗力的生成。针对传统仿真实验存在的实验设计、模型构建、导调控制和人机交互效率低等问题,参考MCP协议提出大模型赋能战术对抗仿真实验的体系架构。该架构包含基础层、工具资源层、AI Agent层、赋能层、应用层,这5层架构自顶向下牵引,自底向上逐层整合,可实现大小模型与数据资源和传统小模型的耦合聚合,并赋能基于仿真的各项军事活动。在此基础上,重点研究讨论了大模型赋能战术对抗仿真实验的具体路径:大模型赋能仿真实验设计,大模型赋能决策模型构建,大模型赋能导调控制。最后,分析了大模型赋能战术对抗仿真实验面临的挑战,并给出了相应的应对措施。]]></description>
<category><![CDATA[]]></category>
<author><![CDATA[刘大勇, 董志明, 郭齐胜, 高昂, 邱雪欢]]></author>
<pubDate><![CDATA[2026-01-08 00:00:00.0]]></pubDate>
</item>
<item>
<title><![CDATA[基于多模态大模型辅助视频动作生成的预训练世界模型]]></title>
    <link>https://www.jsjkx.com/CN/abstract/abstract24006.shtml</link>
<description><![CDATA[预训练世界模型是提升强化学习样本效率的关键技术,但现有方法因视频数据缺乏显式动作标注,难以捕捉状态转移的因果机制。对此,提出多模态大模型辅助的视频动作生成预训练框架(MLM-generated Action-based Pre-training from videos for world models,MAPO),通过整合视觉语言模型的语义理解能力与动力学建模需求,突破传统预训练范式在动作语义缺失方面的局限性。具体地,MAPO在预训练阶段利用多模态大模型(QWEN2_5-VL-7B)解析视频帧序列,生成细粒度语义动作描述,构建具有因果解释性的动作-状态关联;设计上下文量化编码机制,解耦场景静态特征与动态控制因素,增强跨模态表征能力。在微调阶段,通过双网络协同架构实现预训练动力学特征与真实环境动作的端到端对齐。实验表明,MAPO在DeepMind Control Suite和Meta-World的8项任务中的平均回报较最优基线获得稳定提升,尤其在长时程任务中展现出卓越的性能。该研究为跨模态世界模型训练提供了新范式,揭示了语义动作生成在因果推理中的关键作用。]]></description>
<category><![CDATA[]]></category>
<author><![CDATA[万盛华, 徐兴业, 甘乐, 詹德川]]></author>
<pubDate><![CDATA[2026-01-08 00:00:00.0]]></pubDate>
</item>
</channel>
</rss>