随着大语言模型的普及，开发者需要掌握高质量的对话设计。Microsoft的Semantic Kernel提供了提示词系统、模板管理和聊天上下文记录，帮助构建智能对话应用。通过Prompt、Template和ChatHistory的结合，可以实现语义感知和连续对话，打造智能AI助手。

本研究提出了一种二维语义感知位置编码（$ ext{SaPE}^2$），有效解决了现有位置编码无法捕捉图像补丁间语义关系的问题，从而显著提升了模型的泛化能力和视觉任务性能。

本研究探讨大型语言模型在语义感知中的不足，通过比较上下文学习与监督微调，发现微调后的LLMs在多项任务中表现优异，能够有效处理过程发现和异常检测问题。

本研究提出了一种新范式，通过无序标记集合和双重变换机制，显著提升了图像生成的语义感知表示和生成质量。

SAFSAR是一种语义感知少样本动作识别模型，通过3D特征提取器和特征融合方案，以及简单的分类方法，实现了更好的性能。该模型在五个具有挑战性的少样本动作识别基准上进行了实验证明，取得了显著的提高。

通过LivelySpeaker框架实现了语义感知的共同语言手势生成，方法包括基于脚本的手势生成和基于音频引导的节奏细化。实验证明该框架相对竞争方法具有优势，并在两个基准测试中取得最先进的性能。代码和模型将在未来发布。

MUSES是一个多传感器语义感知数据集，用于自动驾驶在恶劣条件下的研究。该数据集包含2500张图像，捕捉了多样化的天气和照明条件，并具有2D全景注释。MUSES整合了帧相机、激光雷达、雷达、事件相机和IMU/GNSS传感器。该数据集为多模态和不确定性感知的研究提供了新的途径。

本研究提出了一种端到端学习的图像压缩编解码器，通过同时训练分析变换和目标分类任务，证实压缩的潜在表示能够准确预测人的感知距离判断。实验结果显示，现成的神经编码器在感知建模方面表现出色，无需额外的VGG网络。该研究对开发语义感知和编码高效的神经编码器具有参考价值。

本文提出了一种新的框架来解决航空图像到地面图像合成的挑战，通过结构对齐和语义感知的方法实现了复杂地理结构的重建，并通过引入预训练分割网络实现了跨类别综合样式的生成。该方法在质量和数量上显示出了有效性。

通过LivelySpeaker框架实现了语义感知的共同语言手势生成，方法分为基于脚本的手势生成和基于音频引导的节奏细化两个阶段。实验证明该框架相对竞争方法具有优势。

本论文描述了一个基于扩散式运动合成模型的系统，用于开发GENEA Challenge 2023。该系统使用对比语言和动作预训练模块，实现语义感知的共言语手势生成。在参赛作品中获得了最高的人类相似度和语言适应性评分，是一种有前途的方法。

该文章介绍了名为MUSES的多传感器语义感知数据集，用于自动驾驶。数据集包括2500张图像，捕捉了多样化的天气和照明条件，并使用了多种传感器。该数据集引入了新任务——不确定性感知全景分割，并提供了标准的语义分割和全景分割。该数据集为多模态和不确定性感知的研究提供了新途径。

本研究提出了一种端到端学习的图像压缩编解码器，通过同时训练分析变换和目标分类任务，证实压缩的潜在表示能够准确预测人的感知距离判断。实验结果显示，现成的神经编码器在感知建模方面表现出色，无需额外的VGG网络。这项研究对于开发语义感知和编码高效的神经编码器具有重要参考价值。

本论文描述了一个基于扩散式运动合成模型的系统，用于GENEA Challenge 2023。该系统使用对比语言和动作预训练模块，实现语义感知的共言语手势生成。在比赛中获得最高的人类相似度和语言适应性评分，是一种有前途的方法。

该研究提出了SAC^3方法，重新审视了现有的幻觉检测方法，并发现了两种无法通过自一致性检查有效识别的幻觉类型。通过利用包括语义等效问题扰动和交叉模型响应一致性检查在内的先进方法来检测这两种幻觉，证明了SAC^3在检测多个问答和开放领域生成基准中的非事实和事实陈述方面优于现有技术。

该系统使用现有的扩散式运动合成模型和对比语言和动作预训练模块，实现了语义感知的共言语手势生成。在GENEA Challenge 2023比赛中获得了最高的人类相似度和语言适应性评分，是一种有前途的方法。