这种容量上的差异可能导致学生模型难以完全吸收或模仿教师模型的知识，尤其是在教师模型包含的信息过于复杂或者精细的情况下。知识蒸馏将知识从复杂的教师模型转移到简单的学生模型，以创建计算效率高的替代方案，而不会牺牲性能。但是，从大型教师模型（如LLM）中提取知识，由于转换内部表征的困难和变压器中注意力机制的复杂性，仍然具有挑战性。黑箱蒸馏还包括专注于推理跟踪的方法：这种方法试图从教师模型的推理步骤中提取

开源代码和数据集：https://github.com/rongyaofang/GoT。

当消息数量超过预定义的阈值时，最早的消息被移动到长时记忆中并保存在文件中。LLM在AEC领域的应用大多局限于聊天机器人阶段，这种模式将AI限制在由其固有知识，附加领域知识和用户提示定义的封闭空间内，阻止其与更广泛的外部世界交互或用于构建智能建筑系统。模型中心：将形成的提示输入到模型中心的大型语言模型（LLM）中，LLM会评估是否需要调用外部工具来完成任务，并根据评估结果生成相应的输出。循环：工具执

修复异常数据，管理传感器故障，并增强隐私保护大多数现有的研究都集中在基于异常数据的故障类型和原因分析上，但往往忽略了对传感器故障引起的误诊的预防。我们的方法解决了这一空白。（1）机械传感器可能生成，导致模型训练的质量不佳;（2）可能导致连续，在训练过程中无法快速连续地提供数据，从而阻碍模型训练，可能导致模型训练失败。（3）为了优化模型性能，工厂通过联合其本地模型以形成全局模型来进行协作，可能会带来

开源代码和数据集：https://github.com/rongyaofang/GoT。

这种容量上的差异可能导致学生模型难以完全吸收或模仿教师模型的知识，尤其是在教师模型包含的信息过于复杂或者精细的情况下。知识蒸馏将知识从复杂的教师模型转移到简单的学生模型，以创建计算效率高的替代方案，而不会牺牲性能。但是，从大型教师模型（如LLM）中提取知识，由于转换内部表征的困难和变压器中注意力机制的复杂性，仍然具有挑战性。黑箱蒸馏还包括专注于推理跟踪的方法：这种方法试图从教师模型的推理步骤中提取

修复异常数据，管理传感器故障，并增强隐私保护大多数现有的研究都集中在基于异常数据的故障类型和原因分析上，但往往忽略了对传感器故障引起的误诊的预防。我们的方法解决了这一空白。（1）机械传感器可能生成，导致模型训练的质量不佳;（2）可能导致连续，在训练过程中无法快速连续地提供数据，从而阻碍模型训练，可能导致模型训练失败。（3）为了优化模型性能，工厂通过联合其本地模型以形成全局模型来进行协作，可能会带来