最新

以下是麻省理工学院研究的参考链接：<p>https://arxiv.org/pdf/2506.08872

我使用两阶段 LLM 架构构建了一个骑行训练生成器。<p>第一阶段：草稿生成器接受用户输入，并创建具有分段的高级训练结构。 第二阶段：专家处理器（热身专家、间歇训练专家等）将每个分段转换为精确的功率目标和时间。<p>关键见解： - 当你使用模式时，LLM 擅长生成结构化的 JSON。 - 将复杂的任务分解为更小、更集中的 LLM 调用比整体提示效果更好。 - 每个专家都有隔离的上下文，强制产生自包含的输出。<p>结果：“4x4 分钟阈值间歇训练” 变成了与 Wahoo element 自行车电脑直接同步的精确功率区间和持续时间。<p>其他人是否也发现结构化输出在复杂数据生成方面出人意料地可靠？