标签
SALA 是一种语义感知逻辑对齐框架，通过自动学习特定任务的推理操作并使用动态时间规整进行灵活对齐，从而改进上下文学习中复杂推理的示例选择，性能优于现有方法。
本文介绍了SA-Pass，一种用于评估自动形式化中语义对齐的方法，并提出了ShadowBench，一个包含178个问题的Lean 4基准测试，展示了与专家判断的高度一致性。
MedMix是一个语义对齐框架，用于联邦多模态稀疏MoE，通过协调路由和专家专业化解决模态异构性，在医疗AI数据集上实现性能提升。
该论文提出了BLPM，一种脑电-语言基础模型，利用连续潜变量预测建模和语义对齐将脑电信号映射到文本嵌入，在多样任务和数据集上实现了可泛化的神经解码。
本文提出了SentiLLM，一个利用语义对齐结构抽象将非语言模态提炼为类文本标记的框架，用于基于大语言模型的多模态情感分析。它引入了一种双流显著性-上下文校准机制，并在四个数据集上取得了优越的性能。
SMETA-ZSL 提出了一种利用语义元对齐和对比微调进行广义零样本威胁分类的方法，在7个基准测试中平均超过先前方法10.8个百分点。
MOSAIC是一种新颖的框架，利用冻结的大语言模型生成语义嵌入和层次化预测提示用于知识追踪，在多个基准上取得了最先进的结果。
FAST-GOAL 是一种微调方法，增强了CLIP在图像和长文本中对其全局和局部语义的能力，引入了FLISM和TSL模块以及GLIT100k数据集，在长标题数据集上取得了改进。
本文提出了一种数据驱动的框架，利用多语言LLM的嵌入来检测语言间的词汇空缺，在韩语-英语对中实现了高准确率。
SemBridge是一种新颖的嵌入初始化方法，利用多语言桥接模型建立源词汇和目标词汇之间的语义对齐，从而提升跨语言稀疏编码器的适配能力和多语言检索性能。
Qwen-Image-VAE-2.0 是一个高压缩变分自编码器套件，通过增强的架构、大规模训练和语义对齐策略，提升了重建保真度和可扩散性。