当前的视觉与语言大型语言模型（VLLMs）在捕捉人类命名偏好方面的能力存在问 题，尤其在需要高级推理能力的任务中，例如指定量词。

Mar, 2024

本篇研究通过多任务计算模型研究不同量化机制 (集合比较、模糊量化和比例估计) 在视觉场景中是否可以共同学习。研究结果表明，当有低复杂度任务的信息时，高级比例任务的准确度比单独执行的结果更好，且该多任务模型能够推广至未见过的目标 / 非目标对象组合。

Apr, 2018

研究语言环境对于预测量词 (`few',`all') 的作用。从人类参与者中收集众包数据，在单句和多句的情况下测试不同模型，发现模型在前者方面的表现显著优于人类，而在后者方面则仅略胜一筹。模型非常有效地利用了词汇和形态句法模式，而人类则更擅长真正理解（全局）语境的含义。

Jun, 2018

当儿童进入小学阶段时，他们对数字的有序结构的理解从记忆的前 50-100 个数字的计数列表转变为了了解后继函数并理解可数无穷的过程中。我们研究了两个神经网络模型中的这种发展变化，这两个模型通过学习对于 N∈(0, 98) 的一对（N, N+1）上的后继函数来训练。第一个模型使用输入和输出值的独热编码，对应于儿童记忆计数列表，而第二个模型使用基于位置的编码，对应于儿童学习数字数值命名的语言规则。位置权重模型显示出在十进制边界上的可表示相似性的下降趋势。越过十位边界的计数可以被理解为在二维空间中的矢量操作，其中具有相同十位数的数字被以线性可分隔的方式组织在一起，而具有相同个位数的数字则被分组在一起。课程学习模拟表明，在正在发展的儿童数值环境中，较小的数字的表征在学习较大的数字时仍然变得更加精确。这些模型为将来使用递归架构超越学习后继函数并更一般地模拟计数过程奠定了基础，并指示了对理解可数无穷意味着什么的更深入的理解。

Nov, 2023

介绍了一种形式化自然语言中量词的方法，运用于人机交互的背景下，该方法基于带有变量基数表示能力的一阶逻辑，类似于广义量词的操作；通过设计了一个端到端系统，能够接收自然语言输入，将其转换为形式逻辑表示，进行评估，并返回结果或向模拟机器人发送命令来演示该方法。

Aug, 2023

本文基于多实例模型与基数关系建立了一个灵活而强大的框架，通过将基数关系编码到模型中，以改善视觉识别任务效果，如人类活动识别、视频事件检测等。

Feb, 2015

通过使用大规模 Transformer 架构的生成式人工智能模型，本研究调查了是否能可靠地命名简单视觉刺激中的物体数量或生成包含 1-10 范围内目标数量物体的图像。令人惊讶的是，所有考虑的基础模型都没有以人类的方式表现出来：即使在小数量下也会出现明显错误，响应的变异性通常没有按系统方式增加，错误的模式也随物体类别而变化。我们的研究结果表明，高级人工智能系统仍然缺乏支持直观理解数字的基本能力，这对人类的数字能力和数学发展至关重要。

Jan, 2024

本文介绍了一种名为 Variable Reference Semantics 的语义框架，用于解释与谓词和对象相关的多种变化模式。

Feb, 2023

本文介绍了模糊基数语义转换的概念，并将其作为创建模糊语义记数系统的基础。考虑了抽象实体基数的模糊性以及基数语义运算符参数的模糊性。同时，我们还介绍了离散模糊数和连续三角模糊数的基数语义转换。在具有多个输入的基数语义运算符中形成了模糊通用进位的原则。

May, 2022

介绍一种从文本中提取关系基数的新问题，并使用条件随机场的远程监督方法进行初步评估。

Apr, 2017