研究人员成功将现代AI模型与形式系统整合，建立了一个完整兼容的平面几何形式系统。他们提出了几何形式化理论（GFT），构建了包含88个几何谓词和196个定理的形式系统，并开发了形式几何问题解决器（FGPS）。实验证明GFT的正确性和实用性。

本文基于 Assembly Calculus 提出了一种新的仿生自然语言解析器（BNLP），整合了递归电路和堆栈电路这两种受循环神经网络和短期记忆机制启发的生物合理结构，能够处理所有正则语言和 Dyck 语言，满足 Chomsky-Schützenberger 定理并解决了原始解析器的缺陷。

使用大型语言模型进行自然语言到可视化的转换任务，在分析如何将结构化表格数据转化为 LLM 所需的顺序文本提示时，发现将结构化表格数据转化为程序是有效的，并且在制定提示时考虑表格模式是必要的。同时，通过对比实验发现，LLM 在 NL2Vis 任务中优于基线方法，并且推理模型在提供少量示范的情况下通过上下文学习能够进一步改善性能，时而甚至超过微调模型。最后，分析 LLM 在 NL2Vis 任务中失败的情况，并提出了循环更新的策略，通过链式思维、角色扮演和代码解释等方法来迭代更新结果，实验证实了这种迭代更新的有效性，具有广阔的未来研究潜力。

调查自然语言生成中的幻觉评估方法的发展，解决多样定义、分类及未解决问题。

该文章介绍了IndoNLI数据集，是第一个适用于印度尼西亚语的NLI数据集。作者使用MNLI的数据收集协议，收集了近18K个句子对。实验结果显示，XLM-R在该数据集上的性能优于其他预训练模型，但仍远低于人类性能。作者发现专家标注数据比众包标注数据更多样化，注释工件更少。希望该数据集能推动印尼自然语言处理研究的进展。

本论文通过在临床试验报告中应用自然语言推理模型进行的一项多证据文本蕴含（NLI）任务，描述了基于微调和合并遮蔽语言模型以及使用模板的大型语言模型（如类比思维链和对比类比思维链）的两种不同方法的测试。使用辅助 Flan-T5 large 模型在 2 次迭代的情况下，实现了最佳系统，得分为 0.57 F1，0.64 忠实度和 0.56 一致性。

Diff-Comb Explainer是一种新的神经符号体系结构，用于基于解释的自然语言推理。它提高了构建解释的精度和一致性，通过将神经表示纳入ILP公式中。这为可解释和透明的NLI研究提供了新的机会。

LogicAsker是一种用于评估和改进大型语言模型逻辑推理能力的自动方法。它测试了多个语言模型并发现了逻辑推理错误。LogicAsker的测试用例可用于提高语言模型的逻辑推理能力。研究的代码、数据和结果将公开发布。

通过自然语言规范（TNL）追踪是在视频序列中根据初始帧的语言描述来稳定地定位目标的方法。本文提出了一种联合多模态追踪框架，通过提示调制模块和统一目标解码模块实现了时间视觉模板和语言表达之间的补充性，并直接在搜索图像上执行整合的查询，以一步预测目标位置。对 TNL2K、OTB-Lang、LaSOT 和 RefCOCOg 进行了大量实验证明了我们所提出方法的有效性，在追踪和地面连接方面与现有方法具有竞争性能。

我们提出了一种新方法来评估语言模型的拟合程度，通过分析生成的文本与人类生成文本的统计倾向是否匹配。研究发现神经语言模型只学会了部分倾向，但与经验性趋势相比更接近理论分布。拟合程度取决于模型架构和生成策略。