Teriyaki是一個結合象徵性任務規劃和機器學習的框架，利用像GPT-3這樣的大型語言模型。這個方法旨在解決動態人機協作中的問題，透過逐步生成計劃行動提高效率，同時達成規劃和執行。初步結果顯示有希望的成果，包括更高的問題解決率、更短的計劃時間，以及縮短計劃可用性等待時間。 PubMed DOI

這篇論文提出一個系統，透過自然語言對話提升人機互動，讓機器人能夠從經驗中學習。系統利用大型語言模型（LLMs）協調機器人行為，生成Python程式碼來控制動作和感知，這些程式碼根據人類指令和環境反饋生成。當LLM誤解指令時，會調用另一個專注於改善程式碼的LLM來學習錯誤。改進的互動會儲存於機器人記憶中，未來能更好處理類似請求。該系統已整合進人形機器人ARMAR-6，並透過模擬和實測評估其有效性，顯示機器人能夠逐步學習並應用知識。 PubMed DOI

這項研究提出了一種新方法，利用大型語言模型（LLMs）為機器人生成複雜的長期任務計畫。過去的研究多集中於簡單的任務規劃，動作指令通常不超過十個。新方法透過讓LLM主動收集資訊並進行問答，精煉任務計畫，並能識別和解決長期任務中的模糊性，增強計畫細節。研究以烹飪任務為例，實驗結果顯示，這種方法成功提升了任務計畫的資訊量，填補了長期機器人任務研究的空白。 PubMed DOI

大型語言模型（LLMs）已經在實驗室工作流程中帶來了顯著進展，特別是在化學研究的自主化方面。本報告介紹了ChemAgents，這是一個由多代理系統和Llama-3.1-70B LLM驅動的機器人AI化學家。ChemAgents能在少量人類介入下執行複雜實驗，並協調文獻閱讀、實驗設計、計算執行和機器人操作等四個專門代理。系統在六個實驗任務中展現了其有效性，並成功在新機器人化學實驗室中自主進行光催化反應，顯示出其可擴展性和適應性，為化學研究的自主化鋪平道路。 PubMed DOI

大型語言模型（LLMs）在護理診斷和計畫的品質上仍有爭議，過去研究多集中於ChatGPT。我們開發了結構化護理評估模板及提示框架，評估ERNIE Bot 4.0和Moonshot AI的護理診斷與計畫，並與金標準比較。結果顯示，這兩個模型的輸出在範疇和性質上與金標準相似。結構化模板有效捕捉神經外科病人的特徵，提示技術則提升模型的泛化能力。研究顯示LLMs在臨床護理中的潛力，但整合進臨床環境仍面臨挑戰。 PubMed DOI

這項研究比較GPT-3.5、GPT-4o和Copilot在10種居家照護情境下，給非正式照顧者的建議與專業指引的差異。GPT-4o表現最好，但三者都常漏掉重要細節，Copilot錯誤最多。雖然這些AI有潛力協助照顧者學習，但目前還無法取代專家，還需要再改進。 PubMed DOI

這篇研究提出 LLM-NSGA 方法，讓大型語言模型（LLMs）來做多目標手術排程的最佳化，像是選擇、交配和突變等步驟。結果顯示，LLM-NSGA 在大規模問題上比傳統演算法（如 NSGA-II、MOEA/D）更優，有些目標甚至提升 80% 表現。LLMs 也能調整超參數，讓運算時間減少 23.68%，同時提升解決品質。整體來說，LLMs 不只產生高品質解答，也能強化傳統最佳化方法。 PubMed DOI

研究團隊開發的 ELLMER 機器人架構，結合 GPT-4 和檢索增強生成技術，讓機器人能適應變化多端的環境，執行像泡咖啡、擺盤等多步驟任務。透過力覺和視覺回饋，機器人的智慧和適應力大幅提升。 PubMed DOI

作者提出一種輕量化方法，讓社交型機器人能同時產生文字和高層次手勢，且不需大量運算或細緻動作數據。這方法用「gesture heads」模組，能根據語言模型預測意圖，再轉換成各機器人專屬的表現方式。此技術適合小型或本地端模型，易於移植，適用於資源有限或重視隱私的場景。 PubMed DOI

本研究提出用大型語言模型打造模組化 AI 代理人，分工處理訓練規劃、動物福利、SOP 等任務，協助訓練師快速產出個別化、實用的動物訓練計畫。這種彈性架構能有效彌補現有 AI 工具與實際訓練需求間的落差。 PubMed DOI