深度学习自然语言处理 原创作者：wkk因果推理是人类智力的标志之一。因果关系NLP领域近年来引起了人们的极大兴趣，但其主要依赖于从常识知识中发现因果关系。本研究提出了一个基准数据集(CORR2CAUSE)来测试大语言模型(LLM)的纯因果推理能力。其中CORR2CAUSE对LLM来说是一项具有挑战性的任务，有助于指导未来关于提高LLM纯粹推理能力和可推广性的研究。简介因果推理因果推理是推理的一个基

作者 |杜伟来源|机器之心进NLP群—>加入NLP交流群多图综述理清当前研究现状，这篇 29 页的论文值得一读。大型语言模型（LLM）已经很强了，但还可以更强。通过结合知识图谱，LLM 有望解决缺乏事实知识、幻觉和可解释性等诸多问题；而反过来 LLM 也能助益知识图谱，让其具备强大的文本和语言理解能力。而如果能将两者充分融合，我们也许还能得到更加全能的人工智能。今天我们将介绍一篇综述 ...

知乎：季逸超链接：https://zhuanlan.zhihu.com/p/721272352纠结了一下还是决定把中秋假期捣鼓的山寨版 o1 模型开源出来。受限于数据和算力，该模型还只是个玩具，离 OpenAI o1 差十万八千里。但实验的过程中有些记录值得分享出来抛砖引玉：起因是在测试 o1 时，种种迹象 (见下方附录) 表明它在 inference-time 似乎没有进行 MCTS 或外置的

来自：机器之心在 NLP 领域，大规模语言模型（LLM）已经成功地在各种自然语言任务中充当通用接口。只要我们能够将输入和输出转换为文本，就能使得基于 LLM 的接口完成一个任务。举例而言，对于摘要任务，我们能够将文档输入到语言模型，语言模型就可以生成摘要。尽管 LLM 在 NLP 任务中取得了成功的应用，但研究人员仍努力将其原生地用于图像和音频等多模态数据。作为智能的基本组成部分，多模态感知是实现

点击上方，选择星标或置顶，每天给你送干货！来自：Microstrong本文概览:1. 知识蒸馏介绍1.1 什么是知识蒸馏？在化学中，蒸馏是一种有效的分离不同沸点组分的方法，大致步骤是先升...

知乎：林俊旸链接：https://zhuanlan.zhihu.com/p/717704002编辑：AI椰青正值前几天发布Qwen2-VL，大家应该在我们的博客或者各个公众号看到我们模型的表现，并且看到我们开源了Qwen2-VL-7B和Qwen2-VL-2B以及推出了Qwen2-VL-72B的API。如果你还没看过，请点击下面几个链接：Blog:https://qwenlm.github.io/b

作者：金克丝 (在读博士)方向：多模态学习学校：南京理工大学「收录情况」：NeurIPS-2022「论文链接」：https://arxiv.org/abs/2206.05836「代码链接」：https://github.com/microsoft/GLIP简介问题方案主要贡献相关工作Localization modelsUnifying localization and understanding

在本次综述中，我们对视觉基础模型进行了全面回顾，包括结合不同模态（视觉、文本、音频等）的典型架构设计、训练目标（对比、生成）、预训练数据集、微调机制，以及常见的提示模式。进NLP群—>加入NLP交流群论文：Foundational Models Defining a New Era in Vision: A Survey and Outlook地址：https://arxiv.org/pdf

每天给你送来NLP技术干货！来自：复旦DISC01 Motivation2018 年 Anderson 等人提出了视觉语言导航（Vision-and-Language Navigatio...

UnIVAL，这是第一个能够支持图像、视频和音频文本任务的统一模型！进NLP群—>加入NLP交流群大型语言模型 (LLM) 使得对通才代理的雄心勃勃的追求不再是一个幻想。构建此类通用模型的一个关键障碍是任务和模式的多样性和异质性。一种有希望的解决方案是统一，允许在一个统一的框架内支持无数的任务和模式。虽然在海量数据集上训练的大型模型（例如 Flamingo（Alayrac 等人，2022））