标签
本文提出了ModelLog，一个声明式概率框架，用于评估语言模型，通过对令牌预测定义语义约束，并通过共享语义将评估与学习联系起来。
Cortex是一款网络应用程序，利用人工智能和自然语言处理协助研究人员进行定性内容分析，为预分析和分类任务提供支持。
该论文介绍了一个使用大型语言模型从强制迁移和FCV文档中提取数据集引用的弱监督框架，在有限标注数据下实现了高精度。
WrenAI 是一个开源的生成式 BI 引擎，允许用户通过自然语言提问生成 SQL、图表和分析结果，并带有语义层以提高准确性。
Persimmon 是首个旨在真实模拟人类对话和交互的大型模型。
本文提出了原型中介过程监督（PMPS），用于隐式思维链推理，实现了token压缩并提高了显式思维链方法的准确性。
本文提出了一种使用LLMs进行自然语言到PDDL翻译的端到端流水线，包含迭代修复和全面评估，突出了基准测试中操作成功与语义忠实性之间的差距。
本文提出一项可控反转测试，旨在探究对事实保持新闻框架的识别是否能够导致其被逆转。
介绍了SWRouter，一种用于多轮大型语言模型对话的相似度约束窗口路由器，解决了上下文分割和路由评估中的挑战。
本文提出利用从大型语言模型派生的语义不确定性来预测口语对话中话轮转换的相关位置，在对话系统中展示了优于基线的性能。
本文介绍了一个针对孟加拉语习语的基准数据集，并评估了近期大型语言模型在习语相关任务上的表现，揭示了不同模型在性能上存在显著差异。
FrameBench 是一个新的基准，用于评估大型语言模型是否能区分动词在上下文中的依赖框架语义的解释，针对英语和日语构建，使用 FrameNet 资源，并随代码发布。
MineTRACE 是一个基于证据的交互式网络推理系统，集成了地球化学、地球物理和地质数据，提供透明的矿产勘查潜力评分和自然语言交互，支持高效且可验证的矿产勘查。
本文探讨了使用不同属性选择方法的角色提示如何影响大型语言模型与社会调查中人类响应的对齐。研究发现，其有效性取决于人类响应的变异性和属性的选择。
MultiGhostBench是一个多语言基准，用于评估分布偏移下长文本LLM生成文本的归因。它包含六种语言的928本书籍，并突出了性能下降以及没有单一方法在所有设置中始终最佳的现象。
本研究提出一种两阶段框架，用于句级抑郁症状识别，采用候选生成与定义引导验证方法，在评估方法中取得了最佳准确率和F1分数。
本文探讨了Pangram，一家检测AI生成文本的AI初创公司，它在出版丑闻中的角色，以及对其检测模型可信度的质疑。
本文详细解释了Transformer架构，包括注意力机制、QKV和残差连接，并从N-gram到LSTM的历史发展入手。
本文研究了词汇规范化中的多语言诅咒，发现同时在多种语言上训练单个模型会导致各语言准确率下降，而当语言以小组形式训练时性能最佳。
CUDA-Harness是一个利用智能体技术从自然语言描述生成和优化CUDA内核的框架，通过连接高级语义与低级实现和验证来解决Text2CUDA中的挑战。