LLM代理是AI系统的一种新兴形式，其中大型语言模型（LLMS）用作中心组件，利用各种工具来完成用户分配的任务。尽管具有巨大的潜力，但LLM代理商构成了重大的安全风险。与外部世界互动时，他们可能会遇到攻击者的恶意命令，从而导致执行危险行动 ...

高质量的SQL语料库对于智能数据库至关重要。例如，文本到SQL需要SQL查询，并且作为培训样本的相应自然语言问题。但是，由于手动注释的高成本，在实践中收集此类查询语料库仍然具有挑战性，这突出了自动SQL生成的重要性 ...

视觉语言模型（VLM）的最新进展显着增强了其处理复杂的图形用户界面（GUI）交互任务的能力。尽管有这些改进，但当前的框架通常很难在挑战性的GUI环境中产生正确的行动。最先进的商业VLM是黑盒，用于GUI任务的微调开源VLM需要大量资源 ...

大型语言模型（LLM）越来越多地用作多步任务的自主剂。但是，大多数现有的框架无法维持对任务状态的结构化理解，通常依靠线性提示串联或浅内存缓冲区。这会导致脆弱的性能，频繁的幻觉和远距离连贯性 ...

GUI代理具有巨大的潜力，可以增强人类磁场相互作用的经验和效率。但是，当前的方法在跨应用程序（应用程序）和任务概括方面面临挑战，这主要是由于现有数据集中的两个基本限制。首先，这些数据集忽略了开发人员引起的应用程序之间的结构变化，从而限制了知识在各种软件环境中的可传递性 ...

大型语言模型（LLM）的最新进步基于基于多代理系统（MAS），在解决复杂的决策任务方面具有巨大的潜力。但是，现有的框架不可避免地依赖于序列化执行范式，在采取行动之前，代理必须在该范围内完成顺序的LLM计划。这种基本的约束严重限制了实时响应能力和适应性，这在不断变化的情况下的动态环境中至关重要 ...

通过在测试时间里利用更多的计算资源，大型语言模型（LLMS）可以在没有其他培训的情况下改进。一种常见的策略使用验证者评估候选输出。在这项工作中，我们为测试时间计算提出了一个新颖的缩放维度：缩放验证者的数量 ...

大型语言模型（LLM）的快速发展促进了多机构系统的开发，其中多个基于LLM的代理协作以解决复杂的任务。但是，现有系统主要依赖于集中协调，该协调引入了可扩展性瓶颈，限制适应性并创建单点故障。此外，对隐私和专有知识共享的担忧阻碍了跨组织合作，从而导致了孤立的专业知识 ...