透過世界動態建模增強代理學習：彌合大型語言模型與目標領域之間的知識差距

大型語言模型 (LLM) 在應用於特定領域時，可能會因為訓練數據與目標領域之間的知識差距而表現不佳。本研究提出了一個名為 DiVE 的框架，透過從演示中發現、驗證和演化世界動態，來彌合 LLM 與目標領域之間的知識差距，從而增強 LLM 代理的決策能力。