AMGPT: Специализированный LLM в области аддитивного производства металлов

Обобщенные LLM, такие как GPT-4, часто не могут дать подробные ответы на вопросы по материаловедению, особенно в области аддитивного производства металлов. Эти модели обычно дают общие схемы без конкретных инструкций по изготовлению или свойствам материала. У них также есть склонность выдумывать воображаемые ссылки и источники (говорю по опыту). </п>

Для решения этой проблемы была разработана AMGPT, специализированная модель большого языка. AMGPT помогает исследователям, ориентируясь в обширной литературе по АМ, объединяя знания примерно из 50 соответствующих статей и учебников.</стр>

Пример AMGPT, делающего свое дело. (Изображение предоставлено: CMU)

AMGPT использует модель Llama2-7B в настройке расширенной генерации (RAG). RAG динамически интегрирует информацию из заранее выбранного корпуса, повышая точность и актуальность ответов. Mathpix конвертирует PDF-файлы в формат TeX для плавной интеграции, управляемой LlamaIndex.

Оценки экспертов показывают, что модели, встроенные в RAG, такие как AMGPT, обеспечивают более быстрые и последовательные ответы. Ключевыми факторами являются эффективность RAG в предварительно обученных моделях, создание специализированного AM LLM и разработка сквозного конвейера для чат-бота. В конвейере используются модели Hugging Face и Streamlit для пользовательского интерфейса.

AMGPT подчеркивает потенциал предметно-ориентированных LLM в решении специализированных запросов в металлической AM, демонстрируя, как точная настройка с учетом предметных знаний может повысить производительность и полезность модели в конкретных технических областях.

AMGPT’s RAG-интеграция обеспечивает точные, актуальные и актуальные рекомендации, помогая принимать решения в аддитивном производстве.

Вы можете прочитать исследовательскую работу под названием «AMGPT: большая языковая модель для контекстных запросов в аддитивном производстве» по этой ссылке.</п>