意图分类和槽填充是自然语言理解的两个关键任务。传统上，这两项任务被认为是独立进行的。然而，最近，意图分类和槽填充的联合模型已经实现了最先进的性能，并证明这两个任务之间存在很强的关系... ...
在这项工作中，我们使用LLM驱动的方法为无声电影剪辑实施音乐制作。鉴于电影音乐制作的专业要求很强，我们提出了电影节目，模拟了专业音乐家的实际工作流程。 FilmComposer是第一个将大型生成模型与多代理方法相结合的人，利用了波形音乐和象征性音乐发电的优势 ...
3D对象的3D建模是计算机视觉，图形和机器人技术中的研究问题。它的目的是了解铰接组件的形状和运动，代表对象部分的几何形状和移动性，并创建现实的模型，以反映现实世界中铰接的对象。这项调查提供了对铰接对象的3D建模中最新建模的全面概述，特别关注铰接的部分感知和铰接对象创建（重建和生成）的任务 ...
高效的多跳跃推理需要基于大语言模型（LLM）的代理，才能迭代地获取高价值的外部知识。先前的工作探索了加强学习（RL）来培训LLMS以执行基于搜索的文档检索，从而取得了显着的改进，从而取得了显着的改进，但由于仅来自全球信号的稀疏奖励而产生的复杂，多跳的质量质量质量检查表现不佳。为了解决现有研究中的这一差距，我们介绍了Stepearch，这是一个搜索LLMS的框架，该框架接受了逐步近端策略优化方法 . ...
高含量的扰动实验使科学家可以以前所未有的分辨率探测生物分子系统，但是实验和分析的成本构成了广泛采用的显着障碍。机器学习有可能指导对扰动空间的有效探索并从这些数据中提取新见解。但是，当前的方法忽略了相关生物学的语义丰富性，其目标与下游生物学分析未对准 ...
大型语言模型（LLM）的出现从根本上改变了自然语言处理，使其在从对话系统到科学探索的范围内必不可少。但是，他们的预训练的架构通常揭示了在专业环境中的局限性，包括限制的推理能力，道德不确定性和次优的领域特定性能。这些挑战需要先进的培训后语言模型（POLMS）来解决这些缺点，例如OpenAI-O1/O3和DeepSeek-R1（统称为大型推理模型或LRMS） ...
几次分割（FSS）成功的关键在于如何有效利用支持样本。大多数解决方案将支持前景（FG）的特征压缩为原型，但丢失了一些空间细节。取而代之的是，其他人则使用未压缩支持FG的Fuse查询功能进行互相注意 ...
识别自由文本中的生物医学概念及其类型（例如，药物或基因）通常称为生物医学命名实体识别（NER），是信息提取（IE）管道的基本组成部分 ...
