大型语言模型用于机器辅助用户意图解决的比较分析

大型语言模型（LLM）已成为自然语言理解和用户意图解决的变革性工具，使其能够执行诸如翻译、摘要以及日益增多的工作流编排等任务。这一发展标志着从传统基于 GUI 的用户界面向更直观的语言优先交互范式的范式转变。用户不再需要手动浏览应用程序，而是可以通过自然语言表达其目标，让 LLM 在动态和情境化的环境中跨多个应用程序编排动作。然而，现有实现常常依赖基于云端的专有模型，这会带来隐私、自主性和可扩展性方面的限制。对于语言优先交互范式而言，本地部署不仅是便利，更是必然要求。这种限制凸显了评估可本地部署、开源和开放获取 LLM 作为未来意图操作系统基础组件的可行性的重要性。在本研究中，我们检验了Several 个开源和开放获取模型在通过机器辅助实现用户意图解决方面的能力。我们对其进行比较分析，以对比 OpenAI 基于 GPT-4 的专有系统，评估其在生成各种用户意图的工作流方面的性能。本研究提供了关于开源 LLM 作为自主、可本地操作组件在下一代操作系统中实用性、性能权衡及潜力的实证见解。本研究的结果为讨论 AI 基础设施的去中心化和民主化提供了指导，并指向用户设备交互变得更加顺畅、适应且注重隐私的未来，通过本地嵌入式智能实现。