2023年11月OpenAI 发布了自定义GPTs。它提供了一种新的方式来使用ChatGPT,可以让用户根据自己的需求定制化,并可以与其他用户共享。
GPTs的制作流程非常轻松,因为都是引导对话式。用户可以通过自然语言对话,指定所需的功能和任务,然后GPT builder会引导用户完成GPT的创建过程 。
用户可以选择GPT的功能,例如网络搜索和数据分析,而无需编程 。
用户还可以为GPT提供额外的知识和指示,以提高其性能和适应性 。
GPTs可以设置的部分有三个地方:
1、提示词,有一个对话框可以填如你想要的角色、限制、功能等条件;
2、知识库,预先准备好的文档或者书籍,整本传上去;
3、动作Action。比较高级的应用,类似agent,可以调用一系列不同的软件,执行复杂的任务。比如查找并引用最新的文献,写一篇“人工智能最新进展和展望”的文章,并按照格式排版,发布在微信公众号上。
目前最最热门的GPT分类有以下七大应用场景 :图像生成、写作、生产率、研究与分析、编程、教育、和生活方式。下面我以研究与分析这一场景为例,详细分析一下GPTs。
GPTs在科研分身中有多种应用场景。用户可以构建自己的GPT分身,帮助解答问题,用于教学演示,编程辅助,PPT生成等 。此外,GPTs还可以用于执行任务、自动化过程和增强决策,帮助科研人员提高工作效率和准确性。GPTs可以根据用户的需求和偏好,提供定制化的服务和交互 。
在研究与分析领域,Consensus、Scholar GPT、Wolfram、AskYourPDF Research Assistant是典型代表。

其中,ConsensusConsensus作为一款自定义ChatGPT助手,功能非常强大。不仅可以搜索学术论文,还可以提供详细的解释和引用,使用者可以更好地理解论文的内容和背景。另外,还可以帮助用户撰写论文、提供写作建议(可以参考一下)等,为使用者提供全方位的学术支持。

Scholar GPT是一款专门为研究和学术领域设计的人工智能助手。它结合了最先进的技术和多样化的功能,致力于提供数据分析、文献检索、实时信息更新等多方面的支持。通过深入学习和理解复杂的数据和文献,Scholar GPT旨在成为研究人员、学者和学生的得力助手。

借助Wolfram的专业领域的知识库,回答各种复杂问题,涵盖从量子物理到最新科技趋势等各种主题;AskYourPDF Research Assistant是对pdf文档快速检索和解读的工具,与多个文件进行聊天,生成带引用的文章,为论文分析和生成参考文献。

当你需要最新的学术论文和摘要时,Prompt示例:
请帮我找最近的文章在Nature子刊上;
我想知近期在IEEE Transactions on Pattern Analysis and Machine Intelligence上发表的最新研究;
找一下近期在Journal of Neuroscience上的最新文章;
你能解释一下这篇论文的主要论点吗?;
关于人工智能在事实核查中的关键发现是什么?;
这篇论文是如何批评人工智能在事实核查中的作用的?;
查询最近在MICCAI会议上发表的论文。
学术论文撰写,Prompt示例:
优化这篇论文摘要;
检查这篇论文的行文逻辑;
编辑这句话以提高论文表述的清晰度
这个段落的流畅性该如何提高?;
为这篇学术文本提出改进建议;
将这个长句拆分以提升可读性;
评估这一段落的逻辑性。
完整GPTs提示词例子
综上以上信息,我们可以撰写一个完整的GPTs的Prompt脚本:
查询10篇2023年关于具化智能体(Embodied Agent)的研究论文,然后总结一下最新的具化智能体研究进展,对所提供的具化智能体相关论文进行摘要总结。
基于以上信息,对具化智能体领域的研究进行一个简要的概览,然后扩写一篇2000字的具化智能体的文章。
在撰写完文章后,请优化这篇论文摘要,检查这篇论文的行文逻辑,使这段论文听起来更符合中文语境的表达。
结语
ChatGPT模型的出现,对学术、教育及产业界均造成了很大的影响。基础科研领域的发展是大国科技竞争力的重要保证,直接决定了社会各方面进步的步伐,重要性不言而喻。
目前,在基础科学研究领域,基于ChatGPT的研究已产生较多突破性成果,大语言模型技术在辅助科研人员进行研发工作或理解基础科学问题的同时,也在改变甚至颠覆基础科研生态。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。