扩散模型（DMS）已显着提高了现实世界图像超分辨率（Real-ISR）的发展，但是多步扩散模型的计算成本限制了其应用。一步扩散模型在一个采样步骤中生成高质量的图像，从而大大减少了计算开销和推理潜伏期。但是，大多数现有的一步扩散方法都受到教师模型的表现的限制，教师模型的表现差，教师表现不佳会导致图像伪像 ...

通过将类似人类的逐步过程中的经营链（COT）推理的优势扩展到多模式环境，多模式COT（MCOT）推理最近引起了大量的研究关注，尤其是在与多模式大型语言模型（MLLMS）的整合中。现有的MCOT研究设计了各种方法和创新的推理范式，以应对不同方式的图像，视频，语音，音频，3D和结构化数据的独特挑战，从而在机器人技术，医疗保健，自动驾驶和多模式产生等应用方面取得了广泛的成功。但是，MCOT仍然提出了不同 ...

大型语言模型（LLMS）在代码生成中取得了令人印象深刻的性能。但是，由于LLMS的培训数据的长尾分布，低频项通常在培训过程中的代表性不足。因此，LLMS通常在代码生成过程中误解或忽略特定于问题的低频关键字，从而损害了生成的代码的准确性 ...

最近，以广泛的未标记编程语言数据以自制的方式培训的大型代码生成模型取得了巨大的成功。尽管这些模型获得了大量的代码知识，但它们在理解任务（例如代码搜索和克隆检测）方面表现较差，因为它们是专门培训的。预先培训大量代码数据的较大的纯编码体系结构模型可以提高理解性能 ...

我们介绍了一项旨在研究大语模型（LLMS）中的文化代表和包容的最近的90多篇论文的调查。我们观察到，没有一项研究明确定义“文化，这是一个复杂的，多方面的概念；相反，它们探究了一些特殊设计的数据集中的模型，这些模型代表了“文化”的某些方面。我们将这些方面称为文化的代理，并在人口统计学和语义代理的二维中组织它们 ...

多步性推理对于大语言模型（LLM）至关重要，但是多语言性能仍然具有挑战性。虽然对经营链（COT）提示推理的推理，但由于推理和执行的纠缠而与非英语语言斗争。促使经营计划（POT）促使推理与执行区分开，提供了有希望的替代方案，但将挑战转移到从非英语问题中产生程序 ...

与传统的无监督聚类不同，半监督聚类允许用户为数据提供有意义的结构，这有助于聚类算法匹配用户的意图。现有的半监督聚类方法需要专家提供大量反馈来改进聚类。在本文中，我们询问大型语言模型是否可以放大专家的指导，以实现查询高效、少镜头的半监督文本聚类 ... ...

复杂的表问题回答涉及根据具有复杂布局和灵活的标头位置的复杂表提供准确的答案。尽管在LLM时代取得了很大的进展，但现有方法的推理过程通常是隐式的，将整个表格输入提示，因此很难有效地过滤桌子中的无关信息。为此，我们提出了明确建立推理过程以查明正确答案的图形生物 ...