近年来，AI实验室通过增加参数、数据和计算能力推动大型语言模型（LLMs）发展。然而，AI界开始质疑这种方法是否已到极限，或需新范式。谷歌DeepMind的Chinchilla模型表明，训练数据的充分性比模型大小更为重要。尽管取得成功，专家担心规模法则的边界已现，未来可能需要新的思维模型和计算方法以推动AI进步。
本文介绍了复述类型生成和检测任务，以解决当前方法过于依赖单一通用评分的问题。通过考虑特定文本位置上的复述类型，这些任务可以帮助模型更好地理解复述类型。虽然细粒度的复述类型带来了挑战，但考虑复述类型可以提高模型的理解能力，为未来任务开启一种新的范式。
完成下面两步后，将自动完成登录并继续当前操作。
