本研究提出了一种新方法，将大型语言模型与结构化表示结合，以提升创意生成能力。实验结果表明，DishCOVER模型在生成新颖食谱方面显著优于GPT-4o。

该研究提出了一种新的无监督框架，通过学习结构化表示和方向性移动，从无标签的离线数据中预训练通用策略，能够适应任意新任务。实验证明，该策略在模拟机器人的测试中以零样本方式解决目标有条件的和通用 RL 任务，并优于先前方法。

本文研究了具有挑战性的物理结构任务和深度强化学习代理的处理方式。结果显示，使用结构化表示和策略的代理表现更好且具有推广性。结构化表示和推理与强大的学习相结合是实现直观物理、场景理解和规划代理的关键路径。

本文介绍了如何利用非结构化知识表示，将其转化为有意义的结构化表示，帮助机器人理解人脑如何创造奇迹。

介绍了一种自监督的结构化表示和生成方法，提取周期性或准周期性运动中的时空关系，增强了运动学习算法的插值和泛化能力，为未来的运动表示和学习算法的发展开辟了新的可能性。

本文提出了一种新的架构，通过偏置客观中心化模型，将形状和纹理成分分离开。实验证明该方法在基准测试中表现良好，并能生成新颖的纹理。

DocXChain是一个开源工具链，可将非结构化文档转换为结构化表示，提供文本检测、识别、表结构识别和布局分析等基本功能，并可轻松集成现有工具、库或模型。