我们提出了Scenetex，这是一种新颖的方法，用于使用深度到图像扩散先验有效地生成室内场景的高质量和样式符合纹理。与以前的迭代翘曲2D视图在网格表面上视图的方法或蒸馏扩散潜在特征而没有准确的几何和样式提示，ScenetEx将纹理合成任务提出为在RGB空间中的优化问题，在此样式和几何形状一致性中，可以正确地反映。 Scenetex在其核心上提出了一个多解决纹理字段，以隐式编码网格外观 ...

最近，大型语言模型（LLMS）通过大规模增强学习（RL）表现出了显着的推理能力。但是，利用RL算法来授权LLMS中有效的多工具协作推理能力仍然是一个悬而未决的挑战。在本文中，我们介绍了Tool-Star，这是一种基于RL的框架，旨在使LLMS在逐步推理期间自主调用多个外部工具 ...

本文提出了一种方法，以分解和量化在DNN内部编码的单词之间进行自然语言处理的方法。我们构造了一棵树，以编码DNN提取的显着相互作用。提出了六个指标来分析句子中成分之间相互作用的特性 ...

大型语言模型（LLM）的兴起彻底改变了跨多种语言和任务的自然语言处理。但是，在多种欧洲语言中以一致且有意义的方式评估LLM的性能仍然具有挑战性，尤其是由于语言并行多语言基准的稀缺性。我们介绍了针对欧洲语言量身定制的多语言评估方法 ...

提示语言模型提供分步答案（例如，“思考链”）是复杂推理任务的突出方法，其中更准确的推理链通常会改善下游任务性能 ...

大型语言模型（LLM）的开发依赖于广泛的文本语料库，这些文本语料库通常是在语言上分发不均的。这种不平衡导致LLM在英语，德语和法语等高资源语言上的表现明显更好，而其低资源语言的能力仍然不足。当前，缺乏评估这些低资源语言中LLM的性能的定量方法 ...

对于应用于各种语言的一般建模方法，一个自然的问题是：我们应该如何期望我们的模型在具有不同类型学概况的语言上工作？在这项工作中，我们使用翻译文本为语言模型的公平跨语言比较开发了一个评估框架，以便要求所有模型预测大致相同的信息。然后，我们对21种语言进行了一项研究，表明在某些语言中，信息的文本表达方式很难通过$ n $ gram和LSTM语言模型进行预测。我们显示复杂的拐点形态是语言之间表现差异的原因 ...

大型语言模型（LLM）逐渐被用作机器学习服务和用于各种应用程序的接口工具。但是，LLM的安全含义，尤其是与对抗和特洛伊木马攻击有关的，仍未得到充分检查。在本文中，我们提出了Trojllm，这是一种自动和黑盒框架，以有效地产生通用和隐形的触发器 ...