finite-state machine
PulseAugur coverage of finite-state machine — every cluster mentioning finite-state machine across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Turnslide框架为小型语言模型合成多轮数据
研究人员开发了Turnslide，一个用于合成多轮对话数据以改进小型语言模型（SLMs）工具调用能力的新颖框架。该自动化系统将API建模为有限状态机，通过单次LLM调用生成状态有效的工具序列。在Turnslide生成的数据上微调SLMs，与基线相比显著提高了下游准确性，以更少的token实现了更高的完整准确性。
-
新的基准测试LLM生成相干SysML图的能力
研究人员开发了SEMAADB，这是一个新的数据集和基准，旨在评估大型语言模型生成相干SysML图集的能力。该数据集包含3000个工程上下文，每个上下文有五个相互关联的SysML视图，并包含一个包含100个上下文的人工验证基准测试集。对三个语言模型的评估显示，虽然语法修复已基本解决，但语义修复和在多个图之间保持一致性仍然是当前模型面临的重大挑战。
-
新框架RFCLLM测试LLM的网络协议推理能力
研究人员开发了RFCLLM，一个新颖的框架，旨在评估大型语言模型（LLMs）在解释网络协议状态机规范时的推理能力。该研究旨在确定LLMs在多大程度上能够准确地将这些规范的自然语言描述转换为正式表示，这是网络安全和测试应用中的关键一步。通过设计四个不同的任务和跨越16个协议的1400多个查询，该研究评估了LLM在手动生成的地面真实模型上的性能，并考虑了裁判偏见、上下文类型和协议特性等因素。
-
开发者使用状态机控制AI面试官中的大语言模型
一位开发者发现，完全依赖大语言模型（LLM）来构建AI技术面试官会导致性能不一致且不可靠，模型经常过早结束面试或重复提问。为解决此问题，该开发者实施了一个有限状态机来管理面试的结构和流程，将LLM的角色限定在每个状态内的特定任务，例如生成问题或提示。这种方法提高了可靠性，并反直觉地通过提供稳定的框架，使得LLM的响应更加自然。
-
LLM JSON 解析：严格模式会降低推理能力，两步流水线提供解决方案
虽然 LLM 的“JSON 模式”最初似乎解决了解析问题，但它在生产环境中通常会导致 4-5% 的失败率。转向使用约束解码的“严格结构化输出”可将此类失败显著降低到 0.1% 以下，但可能会使推理准确性降低 10-30%。提出的解决方案涉及一个两步流水线：先进行无约束推理，然后进行约束提取，以确保准确性和可靠性，同时还强调需要检查截断的输出。
-
新方法在对话系统中将轮次切换与语义解耦
研究人员开发了一种新方法，通过将轮次切换与语义生成解耦来改进全双工对话系统。该方法利用真实的人与人语音对话来训练轮次切换能力，并利用人与代理的文本对话进行语义控制。新颖的 Source-Aware Calibrated Loss 函数通过校准状态转换令牌和优化数据源贡献，进一步完善了该过程，从而提高了轮次切换能力，同时保持了语言模型的语义能力。
-
新框架分析具有可计算规则的序列决策
本文介绍了一个用于分析序列决策的新框架，重点关注内生停止行为。它使用图灵机定义了可计算规则，并建立了它们与有限自动机的等价性。该研究将抽象选择理论扩展到无限序列的备选项，提供了可检验的含义和一个揭示偏好的工具包，用于表征特定的选择程序，如基于阈值和满意度的方法。
-
AI Agent 发布流程通过状态机模式得到改进
一个用于文章发布的 AI Agent 在共享状态和恢复机制缺失的情况下，遇到了重复内容和发布失败的问题。该 Agent 会在中途崩溃，导致出现孤立的草稿和重复的发布尝试。为解决此问题，实施了状态机模式，将流程划分为具有原子性保证的独立阶段。每个阶段的进度和结果都会保存到清单文件中，确保即使 Agent 崩溃，也能从确切的失败点恢复，防止重复工作并确保流程的完整性。
-
约束解码确保LLM生成有效的JSON输出
一种从语言模型生成有效JSON的新方法，它通过约束解码过程来实现，而不是依赖于生成后的验证。该技术通过将非法token的logit设置为负无穷来修改模型的输出概率，从而使其无法被采样。通过集成一个代表JSON语法的有限状态机，系统确保只生成有效的token，保证输出在第一次尝试时即可解析，并消除了重试的需要。
-
AI 代理状态管理：API 查询取代显式 FSM
作者探讨了 AI 代理中有限状态机 (FSM) 的必要性，特别是在管理顺序任务方面。虽然普遍的观点认为 FSM 对于代理跟踪其进度并避免跳过或重复步骤等错误至关重要，但作者发现他们自己的 dev.to 出版代理并不需要显式的 FSM。相反，该代理的正确性依赖于查询 dev.to API 来确定文章的实际实时状态，有效地将其 API 作为其持久状态跟踪器。唯一被确定为可能导致差异的本地状态过时区域是在已完成操作的日志记录中。
-
RADAR系统在无人干预下自动化机器人数据生成
研究人员开发了RADAR，一个用于生成机器人数据的自主系统，该系统消除了数据收集过程中的人工干预。该系统使用视觉语言模型进行任务生成和成功评估，使用图神经网络将任务转化为物理动作，并使用有限状态机进行环境重置和数据路由。RADAR在模拟中表现出高成功率，并在实际部署中可靠地执行了各种技能，且无需领域特定的微调。
-
AI软件推荐可能受到付费内容的影响
AI工具可以快速比较有限状态机（FSM）软件，但它们的推荐可能受到付费排名、联盟营销评论和供应商提供的内容的影响。这些AI摘要中缺失的一个关键要素是独立的调度员，他们能够识别软件真正出现问题的地方。重要的是要批判性地评估AI生成的软件推荐，因为它们可能继承了受激励因素影响的信号，并且可能无法反映真实的质量或是否适合特定需求。
-
llama.cpp PR 通过 f16 掩码优化 VRAM 使用
llama.cpp 项目的一个拉取请求为 FA（可能指 Flash Attention 或类似优化）引入了 f16 掩码，以减少 VRAM 使用。此更改允许用户通过释放显存来下载和运行更大的模型。
-
芯片验证方法可改进语音代理开发
本文将芯片设计行业中使用的验证方法与大型语言模型驱动的语音代理开发进行了类比。文章指出，两者都可以被视为具有复杂转换和交互的有限状态机。作者认为，作为行业起步较晚的语音代理行业，缺乏电子设计自动化（EDA）领域数十年来开发的强大验证框架，尤其是在边缘案例的覆盖率闭合方面。
-
新研究表明 Transformer 模型在概念表示方面具有内在的简洁性。
一篇新论文将简洁性引入作为衡量 Transformer 模型表达能力的一个指标。研究人员证明，与有限自动机和 LTL 公式等传统方法相比，Transformer 可以更简洁地表示形式语言。这种高度的表达能力意味着验证 Transformer 的属性在计算上是棘手的，具体来说是 EXPSPACE 完全性。