一些人支持技能提升，但对与自身目标不符的梦想持否定态度，长期如此会让人感到像驴一样只为他人而活。

本研究解决了CLIP在理解否定（如不能区分“停车”和“禁止停车”）方面的不足，认为这一问题源于缺乏包含否定的数据。研究者提出了一种利用大型语言模型生成否定包含的标题的数据生成管道，并基于这些数据对CLIP进行了微调，开发了NegationCLIP，显著提高了对否定的敏感性。该研究还提出了NegRefCOCOg基准，以评估视觉语言模型处理否定的能力，实验结果表明，NegationCLIP在多个...

本研究提出了NegBench基准，用于评估视觉-语言模型对否定理解的能力。结果表明，现代模型表现不佳，但通过微调CLIP模型，可以显著提高其对否定查询的召回率和准确率。

最近的研究评估了大型语言模型在逻辑推理能力上的表现，发现现有模型在复杂推理和否定情况下表现不佳，有时忽视上下文信息。这项研究对未来提升语言模型的逻辑推理能力具有指导意义。

本文提出了一种新的否定三元组抽取（NTE）任务，通过生成预训练语言模型（PLM）的SSENE模型，结合句法依赖树和辅助任务学习，提取否定主语、提示和范围。在美团真实平台上的评估结果表明，SSENE实现了最佳的NTE性能。消融实验和案例研究证明，将句法信息纳入PLM有助于识别主语和提示之间的远程依赖关系，辅助任务学习有助于提取具有更多语义一致性的否定三元组。

提出了一种排列质量函数的否定方法，并验证了该方法的收敛性。研究了每次否定操作后的不确定性和差异性的变化趋势，并使用数值示例证明了该方法的合理性。

结构化 d-DNNF、SDD 和 OBDD 之间存在可处理性转换和简洁性差距的问题。实验证明结构化 d-DNNF 不支持多项式时间的取反、析取和存在量词操作。存在一些函数，具有等价的多项式大小的结构化 d-DNNF，但没有等价的 SDD 表示。通过对算术电路（AC）的研究，将这个结果推广到 PSDD 和结构化 d-DNNF 的单调 AC 类似物之间，展示了简洁性差距。

本研究测试了几种大型语言模型（LLMs）在解决认知科学文献中的演绎推理问题方面的能力。结果显示，这些模型的传统形式上的解决能力有限，且具有独特的推理偏见。更改展示格式和内容并不能改善模型性能。

本文介绍了正则表达式中“^”字符的两种用法：限定匹配的开头和在字符集合模式中表示否定。在字符集合模式中使用“^”表示反向字符集，其他情况下使用“^”表示限定匹配的开头。