文章探讨了“使用排行榜”标签对人们心理和行为的影响。不同名称传达不同意义，如“使用排行榜”暗示更多使用更好，而“使用羞耻墙”则使人不愿使用。作者强调选择词语时需谨慎，因为它们深刻影响我们的思维和行为。

本研究解决了现有进化博弈理论和基于智能体模型中对语言表达形式利用不足的问题。提出了一种基于大型语言模型（LLMs）的模型，使得智能体之间能够进行多样化的互动并促进词语的演化与变异。研究表明，强者生存的原则导致不同物种的独特演化，其中某些大型物种在生态适应上表现出显著主导性。

本研究比较了1900至1950年间中文文献中大型语言模型（LLMs）与传统自然语言处理工具在词语分割、词性标注和命名实体识别方面的表现。结果表明，LLMs在精度上优于传统方法，但计算成本较高，反映了精度与效率之间的权衡。

本文研究如何通过与人类导师的混合主动性情境互动，获取词语的有根据表示。利用互动学习，代理可以有效地控制学习进程，并针对未知概念请求指令。研究显示，该方法在一个能够操控小物体的桌面机器人手臂上得到了验证，表明其在多种知识获取方面的有效性。

本研究针对传统基于余弦相似性的词语相似性计算方法无法捕捉语义相似性的上下文依赖性和多义性的问题，提出了一种新的相似性度量方法“词语混淆”。通过使用特征基础的分类混淆，该方法能够动态选择相似性特征并通过训练分类器来映射上下文嵌入到词语身份，从而更好地理解语言的多面性与动态性，特别是在社交科学与文化分析领域的应用潜力显著。

本研究探讨大型语言模型（LLMs）在颜色与词语关联方面的不足。尽管GPT-4o在视觉输入下的预测准确率最高，但仍仅约50%，显示出与人类能力之间的显著差距。

本研究解决了词语在上下文中的表示不足的问题，提出了一种从预训练的掩码语言模型中提取单语和跨语言词语表示的方法。该方法通过自注意力机制结合模型的不同隐藏层输出，避免了人工标注语料和模型参数更新的需要，并在单语和跨语言任务中均显示出竞争力和显著提升。

本文探讨了基于图神经网络的视觉问答（VQA）方法，强调通过图结构和深度学习提升问题与答案的交互理解。研究表明，这些方法在多个数据集上显著提高了准确性，特别是GraphVQA和QAGCN模型在复杂推理任务中表现突出。

本文探讨了多模态模型中的偏见问题，提出了MMBias和OpenBias等评估框架，旨在识别和量化文本到图像生成模型中的社会偏见。研究表明，种族和性别等社会属性显著影响生成内容的偏见，强调了公平性的重要性及未来研究方向。

该研究利用大型语言模型（LLMs）分析金融新闻，提出了一种新的信息提取方法，并验证了其有效性，能够提供实时数据。同时，研究探讨了LLMs在文本分类和影响预测中的潜在偏见，展示了其在科学文献和新闻推荐系统中的应用潜力。

大型语言模型在认知研究中表现出复杂的认知行为，但在数学推理和组合性处理上仍存在挑战。研究表明，尽管模型具备相关知识，但无法自发组合以解决新问题。通过改进方法，如自然语言提示和微调，可以部分缓解这一缺陷。未来研究应关注模型的功能组合性和零样本泛化能力。

本文探讨了大语言模型（如LSTM和Transformer）在序列概率评估中的低估现象，尤其是在低概率序列中更为明显。研究发现，模型对不规范序列的概率高估导致了这种差距。对GPT-3.5和GPT-4的评估显示，输出概率影响模型准确性，尤其在低概率情况下表现不佳。因此，建议在使用大语言模型时需谨慎，并将其视为独特系统。

分析同传中顺译特征，在英日语言对中特别是英语和日语这种具有显著结构差异的语言对中，词序差异是同传的最大挑战之一。通过使用 NAIST 的英日顺译数据集对顺译特征进行了分析，并发现了一些在英日同传中使顺译困难的语法结构。通过评估现有语音翻译和同传语音翻译模型在 NAIST...

从理论角度出发，研究大型语言模型在物理世界中解决决策问题的原因，通过层次化强化学习模型，证明预先训练的大型语言模型规划器通过上下文学习有效地进行贝叶斯聚合模仿学习，并引入探索策略避免线性遗憾。扩展该理论框架应用于环境的过渡模型推断和多智能体协调等场景。