本研究使用中文颜色参考游戏数据，证实了中英语境下同样表现出对语境难度的敏感性；并展示了采用多任务学习方法训练的神经说话人模型，相比其单语中文模型更贴近人类对语境的依赖，并且不会以达到语言特定的语义理解为代价。

Mar, 2018

我们提出了一个基于先验推理和学习语义结合的思想来描述场景的模型，成功率高于现有技术。

Apr, 2016

本文利用神经网络构建概率模型，从而研究影响口头表达方式的因素，发现环境特征对于过度修辞式表达有显著影响。

May, 2022

本文通过使用预先训练的语言模型，对颜色的结构性关系进行研究，发现在理解色彩的感知结构方面，较为温暖的颜色比较接近于感知颜色空间。

Sep, 2021

人们通过上下文来丰富文字表达，实现简洁而有效的沟通，为了让人工智能系统能够与人类进行自然交互，需要强调语用学技能，从分享语言目标和约定到视觉和肢体世界中的语境等，利用各种上下文信息有效地运用语言。本文调查现有的语境实现和语用模型方法，并分析了每个工作中的任务目标、环境语境和沟通便利之间的关系，从而丰富了语言含义。我们提出了关于未来基于任务设计的语境需求，以自然地引出语用现象的建议，并建议在更广泛的沟通语境和便利方面继续探索。

Nov, 2022

使用递归神经网络和傅里叶变换的颜色表示方法，成功应用于生成颜色描述模型，在自然颜色描述的大型语料库上进行条件语言模型任务，不仅可以准确地生成基本颜色术语，还可以生成训练过程中未见过的具有非凸含义的描述词，裸修饰语以及组合短语。

Jun, 2016

本文通过在英语材料的专家评估集上进行零 - shot 提示，进行了人类和语言模型在七个语用现象上的精细比较，发现最大的模型可以实现高精度和匹配人类错误模式，同时发现证据表明模型和人类对相似的语言提示敏感，旨在探讨人类语用处理机制和语言模型之间的关系。

Dec, 2022

使用显式的实用推断对于复杂的序列任务生成和遵循自然语言指令是有帮助的，研究表明实用推断可以提高在不同环境下生成和理解自然语言指令的效果。

Nov, 2017

语言理解中的基础是一个活跃的研究领域。以颜色感知和颜色语言为研究基础，通过实证研究发现，颜色空间和语言模型定义的特征空间之间存在相当大的一致性。通过收集包含近 100 万个颜色及其描述的大规模数据集，进行两种对齐方式的实证分析：（i）跨空间对齐，即学习嵌入空间和颜色空间之间的映射，以及（ii）内部空间对齐，通过提示颜色描述之间的比较。我们的结果表明，尽管对于单词基础、高度实用的颜色描述，颜色空间对齐成立，但在存在主观性和抽象性等真实语言使用元素的示例中，这种对齐性显著降低，这表明在这种情况下可能需要基础。

Nov, 2023

本研究展示了一个对于自然语言中颜色修饰的理解模型，该模型比之前在 RGB 颜色空间中的加法模型能够学习更复杂的变换，同时我们还提出了一个在 HSV 颜色空间中操作的模型，结果表明针对某些形容词在 HSV 颜色空间中效果更好，此外我们还训练了一种硬强集成模型，该模型会根据修饰符颜色配对情况来选择颜色空间，实验结果表明与现有基线模型相比，该模型有显著且一致的提升。

Sep, 2019