本发明属于计算机，具体涉及一种训练任务数据处理方法、装置及设备。
背景技术：
1、对于自然语言描述的资源分配问题，尤其是在模拟攻击训练过程中，如“在某次训练任务中，敌方在我方根据地外设置了3个据点，其威胁程度分别为(2,3,1)。我方计划派遣由十个火力单元组成的轰击部队摧毁敌方据点，根据侦查情报和地势分析，有3个作战区域可以作为阵地部署我方攻击单元，各阵地对敌方各据点的摧毁概率为：第一个阵地(0.29,0.76,0.55)，第二个阵地(0.56,0.39,0.57)，第三个阵地(0.45,0.41,0.73)。现在需要规划每个训练区域的攻击单元部署数量以及确定各攻击点的最优进攻策略，以最大程度上摧毁敌方据点”。示例中的任务并不能够被传统的攻击资源分配或阵地部署模型直接处理，需要人工分析提取数据，再输入到算法模型中计算。这不仅效率低下，而且容易引入错误。随着技术的发展，训练指令与情报信息的来源日益多元化，包括大量非结构化的自然语言信息，这对信息的快速理解和小模型的高效求解提出了新的挑战。
2、人工智能技术，特别是自然语言处理领域的突破，为解决上述问题提供了新的方法。大语言模型(large language models,llms)具备了辅助决策的潜力。在模拟攻击的训练领域，llms已经被用于训练场上的信息分析、态势感知和决策支持等方面。例如，llms可以帮助指挥官快速理解和处理大量的训练场信息，并提供合理的决策建议。llms在自然语言处理领域取得了显著进展，展现出强大的语境理解、生成对话和抽象推理能力。因果推理方法、知识引导推理以及提示工程等方法可以利用llms处理复杂的逻辑推理问题，这些研究为llms的落地应用带来更广阔的空间。然而，当前还无法使用llms直接处理相对复杂的推理和认知任务，特别是在诸如攻击事项的训练行动范畴内的精密攻击资源分配等高度专门化及计算密集型任务上，仍面临局限。虽然llms能够辅助理解复杂的训练指令和环境描述，但要处理如攻击资源分配这样的精确计算和决策优化问题，还需要与具备专业计算能力的小型模型算法相结合。因此，如何有效结合llms的高级认知能力与小型模型在特定任务上的高效计算优势，成为提升训练场上指挥自动化水平和攻击训练效能的关键。
技术实现思路
1、本发明要解决的技术问题是提供一种能够更准确、更高效地对训练任务数据进行处理，以确定训练任务是否能够顺利执行的训练任务数据处理方法、装置及设备。
2、本发明的内容包括一种训练任务数据处理方法，包括：
3、响应于获得的训练任务数据，对所述训练任务数据进行深度语义分析，确定训练任务、训练任务类型及训练任务的细节信息，所述训练任务数据为用自然语言描述的数据；
4、基于所述训练任务类型确定与所述训练任务满足映射条件的目标任务类型，所述目标任务类型为多个预定义任务类型中的一个，不同的所述预定义任务类型对应有不同的用于执行训练任务的计算模型；
5、基于所述目标任务类型确定候选计算模型；
6、基于所述细节信息对所述候选计算模型进行调整，以生成目标计算模型；
7、调用所述目标计算模型试执行所述训练任务，完成任务所需的数据计算，并得到执行结果；
8、当所述执行结果表征任务执行失败时，执行错误反馈机制，以结合收集的错误信息重新生成目标计算模型。
9、在一些实施例中，所述方法还包括：
10、将所述训练任务、训练任务类型、训练任务的细节信息基于预设输出格式进行调整，以形成结构化数据，所述结构化数据为所述计算模型能够识别的数据形式。
11、在一些实施例中，所述基于所述训练任务类型确定与所述训练任务满足映射条件的目标任务类型，包括：
12、基于不同的任务类型预构建多个不同的预定义任务类型；
13、基于所述训练任务类型在构建的多个预定义任务类型中匹配确定出与所述训练任务对应的目标任务类型。
14、在一些实施例中，所述基于所述目标任务类型确定候选计算模型，包括：
15、基于所述目标任务类型确定对应的计算模型为候选计算模型，同时确定所述候选计算模型的模型代码。
16、在一些实施例中，所述基于所述细节信息对所述候选计算模型进行调整，以生成目标计算模型，包括：
17、基于所述细节信息中的训练资源、训练地资源部署、训练要求、训练目的对所述候选计算模型的模型代码进行参数调整，以基于调整后的模型代码生成所述目标计算模型；或
18、基于所述细节信息中的训练资源、训练地资源部署、训练要求、训练目的确定所需的工具包；
19、将所述工具包导入所述候选计算模型的模型代码中，以基于调整后的模型代码生成所述目标计算模型。
20、在一些实施例中，每个所述预定义任务类型具有对应执行该类任务时涉及的示例代码；
21、所述方法还包括：
22、基于所述细节信息对所述示例代码进行调整，同时对所述示例代码进行配置，以形成与所述训练任务匹配，并能够调用所述目标计算模型的目标代码。
23、在一些实施例中，所述调用所述目标计算模型试执行所述训练任务，包括：
24、基于编码解析器执行所述目标代码，并在所述目标代码执行过程中调用所述目标计算模型执行计算任务，对应不同的训练任务，所述计算任务不同。
25、在一些实施例中，所述当所述执行结果表征任务执行失败时，执行错误反馈机制，包括：
26、当所述执行结果表征任务失败时，收集错误信息；
27、基于所述错误信息对所述目标代码和/或目标计算模型进行修改，以形成新的所述目标代码和/或目标计算模型。
28、本发明另一实施例同时提供一种训练任务数据处理装置，包括：
29、响应模块，用于响应于获得的训练任务数据，对所述训练任务数据进行深度语义分析，确定训练任务、训练任务类型及训练任务的细节信息，所述训练任务数据为用自然语言描述的数据；
30、第一确定模块，用于根据于所述训练任务类型确定与所述训练任务满足映射条件的目标任务类型，所述目标任务类型为多个预定义任务类型中的一个，不同的所述预定义任务类型对应有不同的用于执行训练任务的计算模型；
31、第二确定模块，用于根据所述目标任务类型确定候选计算模型；
32、第一调整模块，用于根据所述细节信息对所述候选计算模型进行调整，以生成目标计算模型；
33、调用模块，用于调用所述目标计算模型试执行所述训练任务，完成任务所需的数据计算，并得到执行结果；
34、错误反馈模块，用于当所述执行结果表征任务执行失败时，执行错误反馈机制，以结合收集的错误信息重新生成目标计算模型。
35、本发明另一实施例还提供一种电子设备，包括：
36、至少一个处理器；以及，
37、与所述至少一个处理器通信连接的存储器；其中，
38、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现如上文中任一项实施例所述的训练任务数据处理方法。
39、本发明实施例的有益效果包括训练任务数据处理的整体流程包括任务解析、任务规划、任务执行、错误反馈四个阶段，基于各个阶段的处理，能够使系统直接基于自然语言编辑的训练任务数据便可实现任务规划及任务执行，简化了用户对自然语言编辑的训练任务数据的处理操作，而且由于本方案中在执行任务时能够选择匹配的计算模型来实现具体任务数据的计算任务，使系统不仅具有准确的数据解析能力，能够实现非结构语言的解析，而且具有高效精准的计算能力，同时通过后续的错误反馈机制能够不断精进任务执行流程，有力地确保了训练任务能够顺利、有效的执行。
1.一种训练任务数据处理方法，其特征在于，包括：
2.根据权利要求1所述的训练任务数据处理方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的训练任务数据处理方法，其特征在于，所述基于所述训练任务类型确定与所述训练任务满足映射条件的目标任务类型，包括：
4.根据权利要求3所述的训练任务数据处理方法，其特征在于，所述基于所述目标任务类型确定候选计算模型，包括：
5.根据权利要求4所述的训练任务数据处理方法，其特征在于，所述基于所述细节信息对所述候选计算模型进行调整，以生成目标计算模型，包括：
6.根据权利要求1所述的训练任务数据处理方法，其特征在于，每个所述预定义任务类型具有对应执行该类任务时涉及的示例代码；
7.根据权利要求6所述的训练任务数据处理方法，其特征在于，所述调用所述目标计算模型试执行所述训练任务，包括：
8.根据权利要求6所述的训练任务数据处理方法，其特征在于，所述当所述执行结果表征任务执行失败时，执行错误反馈机制，包括：
9.一种训练任务数据处理装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
