无直接数据可用,AI怎么学会「干活」?微软团队揭秘AI从语言到行动的进化之路
学习科技周边要努力,但是不要急!今天的这篇文章《无直接数据可用,AI怎么学会「干活」?微软团队揭秘AI从语言到行动的进化之路》将会介绍到等等知识点,如果你想深入学习科技周边,可以关注我!我会持续更新相关文章的,希望对大家都能有所帮助!
微软团队突破性研究:从零构建大行动模型LAM,实现AI从被动语言生成到主动行动生成的飞跃!

微软Data, Knowledge, and Intelligence (DKI) 团队(TaskWeaver, WizardLLM, Windows GUI Agent UFO核心开发者)发布技术报告,详细阐述了如何在缺乏直接可用数据的情况下,从头训练一个能够在真实环境中执行任务的大行动模型(Large Action Model, LAM)。该研究为AI从被动语言生成向主动行动生成的转变提供了全新思路。
LLM的局限与LAM的优势
当前的大语言模型(LLM),如GPT系列和Mistral-7B,擅长文本生成,但在与物理或数字环境交互方面存在局限,无法执行超越文本层面的操作。 这种“语言-行动断层”限制了AI的实际应用。
LAM则具备三大关键特性:精准的用户意图理解(涵盖语言、语音、图像等多种输入)、强大的行动生成能力(GUI操作、API调用、物理动作等)、以及动态规划与环境适应能力。

- 技术报告:Large Action Models: From Inception to Implementation
- 数据处理代码:https://github.com/microsoft/UFO/tree/main/dataflow
- 完整技术文档:https://microsoft.github.io/UFO/dataflow/overview/
从LLM到LAM的挑战与解决方案
将LLM转变为LAM面临诸多挑战:数据获取困难、模型训练方法的革新、离线评估的局限性以及线上环境适配和评估的复杂性。
微软团队提出的完整解决方案,涵盖了数据积累、模型训练和部署的各个阶段。

图1:从LLM到LAM的演变
数据积累:从无到有的数据构建流程
该团队设计了一个两阶段的数据收集和处理流程:
阶段一:任务-计划数据收集 从开源资源(应用帮助文档、WikiHow教程、搜索查询记录)收集76,672对任务-计划数据,并通过数据增强技术将数据量扩展至原来的150%。
阶段二:任务-行动数据收集 将抽象的计划步骤转化为具体的行动序列,并在真实环境中执行验证,最终生成结构化的任务-行动对。
图2:任务-计划数据的收集过程
图3:任务-行动数据的收集过程
LAM训练流程:四阶段逐步迭代
LAM的训练过程分为四个阶段:
- 任务计划预训练: 利用任务-计划数据预训练模型,使其掌握任务分解能力。
- 专家知识学习: 利用任务-行动数据进行模仿学习,让模型能够执行具体的行动。
- 自我探索提升: 将LAM部署在UFO框架中,通过与真实环境交互,自动生成新的训练数据,并迭代模型。
- 奖励模型优化: 引入奖励模型,利用强化学习进一步优化LAM的决策能力。
图4:LAM的训练过程
实验结果:离线和线上测试验证LAM的有效性
离线实验结果显示,LAM在各个训练阶段都取得了显著的性能提升。 线上实验结果表明,LAM在真实环境中的任务成功率达到了71.0%,并且在任务完成时间和平均步时延方面也展现了显著的优势。
表1:不同LAM训练阶段的离线实验结果
图5:LAM智能体架构
表2:LAM的线上实验结果
这项研究为构建能够在真实世界中执行复杂任务的AI智能体提供了宝贵的经验和方法论,标志着AI技术发展的重要里程碑。
好了,本文到此结束,带大家了解了《无直接数据可用,AI怎么学会「干活」?微软团队揭秘AI从语言到行动的进化之路》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多科技周边知识!
继续保持高研发投入,中光学2024年预亏3.5亿元-4.1亿元
- 上一篇
- 继续保持高研发投入,中光学2024年预亏3.5亿元-4.1亿元
- 下一篇
- 低精度只适用于未充分训练的LLM?腾讯提出LLM量化的scaling laws
-
- 科技周边 · 人工智能 | 1天前 |
- 讯飞绘文写活动通知怎么避免改错时间和地点
- 360浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Accelerate Accelerator.clip_grad_norm_ 怎样在混合精度训练中裁剪梯度
- 339浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · LoRa PEFT save_pretrained PeftModel 适配器权重
- PEFT PeftModel 怎样只保存适配器权重
- 468浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers num_special_tokens_to_add 怎样计算输入的特殊词元开销
- 233浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | TensorFlow dataset tf.data assert_cardinality
- TensorFlow tf.data.assert_cardinality 怎样标记数据集的样本数量
- 191浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | PyTorch 模型权重 safetensors safe_open
- Safetensors safe_open 怎样按名称读取单个张量
- 368浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers get_added_vocab 怎样读取新增词元与编号映射
- 267浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Safetensors metadata 怎样读取文件元数据
- 358浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers compute_transition_scores 怎样查看每个生成 token 的分数
- 321浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers StopStringCriteria 怎样按结束字符串停止生成
- 443浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · Hugging Face 模型仓库 Hugging Face Hub HfApi list_repo_tree
- Hugging Face Hub HfApi.list_repo_tree 怎样列出模型仓库中的文件
- 429浏览 收藏
-
- 科技周边 · 人工智能 | 2天前 | 人工智能 · PyTorch safetensors contiguous save_file transpose
- Safetensors 保存转置张量时怎样处理连续内存
- 165浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1160次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1147次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1323次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1266次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1124次使用
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

