AssetOpsBench
PulseAugur coverage of AssetOpsBench — every cluster mentioning AssetOpsBench across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新流程生成用于工业4.0智能体评估的合成场景
研究人员开发了一个名为ScenarioGeneratorAgent的新流程，用于创建用于评估工业4.0智能体的合成场景。该系统通过添加智能电网变压器资产类别和集成四个基于IEC的诊断工具，增强了AssetOpsBench基准。该流程构建了基于证据的资产配置文件，并通过一个混合验证与修复循环生成场景，该循环确保了模式有效性、工具可达性、物理合理性和标准一致性。两级缓存和批量LLM调用等优化措施将运行时间缩短了8倍，同时保持了场景质量。
-
新的DynAMO引擎提升了工业自动化中LLM智能体的效率
研究人员开发了DynAMO，一个旨在提高工业自动化中LLM驱动的智能体的效率和安全性的新引擎。DynAMO采用带有拓扑多智能体调度的“计划-然后执行”架构，创建可验证的工作流图，支持顺序和并行执行。在AssetOpsBench基准测试上的实验表明，DynAMO通过并行化和受控的推理重叠，可以将端到端延迟最多降低1.8倍，同时在故障注入下保持鲁棒性。
-
知识图谱增强 LLM 推理能力，助力工业决策支持
研究人员正在探索将知识图谱与大型语言模型 (LLM) 相结合，以增强复杂工业领域的决策能力。相关论文提出了诸如 Helicase 等系统，用于不确定性引导的供应链知识图谱构建，以及 Chat-ISV，用于工业 VOC 治理中的可追溯推理。这些方法旨在克服 LLM 在扁平数据上操作的局限性，通过利用结构化知识来提高专业领域的准确性和可靠性。
-
新研究优化工业资产运营的代理管道
一篇新研究论文介绍了对工业资产运营中代理式计划执行管道的优化，解决了对延迟敏感的工作流。提出的时间语义缓存和工作流优化，包括基于磁盘的工具发现和并行执行，实现了显著的加速。该研究强调了现有语义缓存方法在参数丰富的工业查询中的局限性，并强调了代理基准测试中正确性的重要性。
-
小型语言模型通过QLoRA微调内化工具知识
研究人员开发了一种通过QLoRA微调将工具知识内化到小型语言模型中的方法，减少了在提示中显式使用工具模式的需求。通过在Gemma 4 E4B和Qwen3-4B等模型上训练工具使用示例，他们取得了比接收完整工具描述的基线模型更好的规划分数。这种方法显著减少了输入长度和推理开销，同时保持或提高了工具规划质量，但可能会影响通用知识的保留。