.png){kind=icon}
返回
Can LLMs Be Effective Sensor Processing Copilots?
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3664751.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有效的传感器数据处理对赛博物理和物联网（IoT）系统至关重要，但通常需要专业知识。尽管大型语言模型（LLMs）在传感器处理中展现出作为自主副驾驶的潜力，但其能力尚未得到充分探索。我们介绍了SensorBench，这是首个用于评估LLMs在多样化真实传感器数据集和任务上表现的综合性基准。SensorBench评估了三种利用LLMs进行感知任务的范式：工具增强编码（TAC）、独立编码（SAC）和直接回答（DA）。我们评估了8种领先的LLM变体，包括2种大型推理模型（LRMs）和2种领域特定LLMs，为绝对性能、延迟和资源需求提供了结构化参考。我们的分析表明：1）TAC显著优于SAC和DA；2）LLMs擅长简单任务，但在需要参数调优和多步推理的组合任务中，其表现始终不及领域专家；3）LRM中引入的推理机制并未带来显著的性能提升。为提升性能，我们探索了四种提示策略和微调方法（使用我们新发布的传感器处理语料库）。结果表明，自验证提示最为有效，在48%的任务中同时优于其他方法，而微调仅带来边际收益。我们的分析表明，更复杂的交互框架，如信号级自验证，可能有助于达到人类专家级表现。该基准为评估和改进传感应用中的LLMs奠定了基础
Keyword:
Large language model (LLM)
sensor signal processing
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
STBench: Assessing the Ability of Large Language Models in Spatio-Temporal AnalysisSTBench: 评估大型语言模型在时空分析中的能力
PREAI
分享收藏Towards Benchmarking and Improving the Temporal Reasoning Capability of Large Language Models关于基准测试和提升大型语言模型时间推理能力的探讨
OAAI
OAAI分享收藏SciPy 1.0: fundamental algorithms for scientific computing in PythonSciPy 1.0: Python中科学计算的基本算法.png)
NATURE METHODS
OAAI
NATURE METHODSIF32.1
OAAI分享收藏
查看更多内容