本研究分析了大型语言模型在细粒度语言标注中的局限性，特别是在名词、动词和复杂句法结构的检测方面。实验结果显示，这些模型在处理复杂语言时常出现错误，影响语言分析的可靠性，为未来模型设计提供了参考。

本研究针对NomBank注释语料库中的英语名词进行语义角色标注，提出了一种结合传统与基于变压器的机器学习方法的新系统，F1分数达到91.74%，显著提高了标注准确性。

本研究探讨了大型语言模型（LLMs）在推理和组合能力方面的局限性，并提出通过上下文评估其推理能力。结果表明，LLMs在75%的数据集上能够生成类人类的反应，但仍需改进，为理解和提升LLMs的表现提供了重要见解。

本研究通过计算方法首次定量评估斯瓦希里语中名词类别的语义一致性，并详细描述其语义内容，对语言学理解有重要影响。

计算机视觉中的目标检测和分割在深度学习时代取得了巨大进展，但现有数据集的标注类别较小且预定义，无法推广到开放词汇之外。近年来，越来越多的关注集中在开放词汇检测和分割上。本调研提供了对过去和最新开放词汇检测和分割发展的全面审查，包括不同方法学的分类和讨论，并提供了一些有前途的方向，以激发未来的研究。

本研究探讨了语义对语言中性别确定的影响，通过因果图模型发现名词的性别对形容词选择影响较小，质疑了新沃尔夫假说。

研究发现神经语言模型中特定名词在主谓一致和反身指代方面准确度更高，语料库频率与名词在语法任务中的表现无关，可以从各种类型的训练数据中学习新名词的语法性质。结果显示语法表现应该比实际观察到的表现更稳定。

我们面临的复杂性首次出现在软件开发过程中，需要一种不同的思维方式来应对。模式语言似乎非常陌生，物理课程揭示了新理论是如何从旧理论中衍生出来的，但我们很容易产生误解和误传。设计模式很好地类比了理解新概念的难度，而我们的文明以错误的方式开始了它的旅程，知识是支离破碎的。我们必须访问一个非常陌生的地方，重新构建我们对计算的理解，才能解开复杂性的谜题。

原文载于卡耐基梅隆大学统计系教授Larry Wasserman的博客：Normal...