💡
原文中文，约3200字，阅读约需8分钟。
📝
内容提要
AI 社区讨论 Scaling Law 遇到瓶颈，因高质量数据即将耗尽。CMU 和 DeepMind 提出的 ICAL 方法利用低质量数据和反馈，帮助 LLM 和 VLM 创建有效提示，改善决策。ICAL 强调认知抽象，提升模型在新任务中的表现，实验表明其在多模态任务中优于传统方法，减少对专家示例的依赖。
🎯
关键要点
- AI 社区讨论 Scaling Law 遇到瓶颈，因高质量数据即将耗尽。
- CMU 和 DeepMind 提出的 ICAL 方法利用低质量数据和反馈，帮助 LLM 和 VLM 创建有效提示，改善决策。
- ICAL 强调认知抽象，提升模型在新任务中的表现，实验表明其在多模态任务中优于传统方法。
- ICAL 通过学习上下文经验抽象，让 VLM 学习解决新任务，减少对专家示例的依赖。
- ICAL 处理四种类型的认知抽象：任务和因果关系、对象状态的变化、时间抽象、任务建构。
- ICAL 的抽象生成过程通过提示和人类反馈优化轨迹，提升模型的执行效果和抽象能力。
- ICAL 在 TEACh 和 VisualWebArena 中测试表现优于固定演示，成功率显著提高。
- ICAL 在视觉网络任务上获得 SOTA 性能，减少对专家示例的依赖，且随着示例数量增长表现提升。
➡️
