本文介绍了一个名为 VizSeq 的工具包，它支持对文本生成任务进行系统实例级和语料级评估，并提供了多种可视化方式。其中包括常见的基于 n-gram 的指标以及最新的基于 BERTScore 的嵌入式指标。

Sep, 2019

本文介绍了 Data2Vis：一种神经翻译模型，可自动生成给定数据集的可视化。通过将数据规范映射到声明语言（Vega-Lite）中的可视化规范，将可视化生成作为序列到序列翻译问题。为此，我们训练了一个多层基于注意力的长期短期记忆（LSTM）单元的循环神经网络（RNN）模型在可视化规范语料库上，以生成与手动创建的可视化相媲美但时间仅为其一小部分的可视化。

Apr, 2018

该研究介绍了一种基于全局序列评分学习的 Sequence-to-Sequence (seq2seq) 模型和波束搜索训练方案，通过避免局部训练的传统偏差问题，统一训练损失和测试时间使用，并保留 seq2seq 的有效训练方法。在单词排序、解析和机器翻译三个不同的序列到序列任务中，该系统优于基于注意力的 seq2seq 系统高度优化的系统和其他基准线。

Jun, 2016

本论文提出了一个新的序列到序列学习框架 SeqTrack 来进行视觉跟踪，将视觉跟踪作为一个序列生成问题，该问题可以在自回归的基础上预测物体的边界框，SeqTrack 架构只采用一个简单的编码器解码器变压器架构，并在多个基准测试上达到了竞争性能水平。

Apr, 2023

该文章介绍了一种基于序列到序列模型和 LSTM 的视频描述方法，利用时间结构，将视频帧序列与单词序列相关联来生成视频描述，同时该模型能够学习视频帧的时间结构和所生成句子的语言模型。

May, 2015

我们展示了一个用于处理多模态序列到序列任务的神经交互预测系统的演示。该系统实现了客户端 - 服务器架构，可以通过一个网站访问完成不同的任务，如机器翻译、图像和视频字幕等，并在每次人工纠正输入时提供可供选择的替代假设，旨在减少此过程中人工纠正的工作量。该系统的代码均已公开发布。

May, 2019

本论文提出了一种新颖的通用端对端图到序列神经编解码模型，该模型使用改进的基于图神经网络的聚合策略产生节点和图嵌入，引入了注意机制，实现了更好地处理大型图，并在多项任务中取得了最先进的性能，显著优于现有的图神经网络、Seq2Seq 和 Tree2Seq 模型。

Apr, 2018

该研究分析了一个基于注意力机制的序列到序列语音识别系统，提出了解决其预测过于自信和产生不完整转录的问题的实用解决方案，并在没有语言模型的情况下，其词错误率为 10.6％，与 trigram 语言模型一起达到了 6.7％的词错误率。

Dec, 2016

我们提出了 Sequence Salience，一种用于交互式提示调试的视觉工具，结合了输入显著性方法，可帮助调试复杂的 LLM 提示策略。

Apr, 2024

本文介绍了 Seq-SG2SL 的框架，使用两种语言的序列代理，通过 Transfomer-based seq-to-seq 模型将情景图分解成语义片段（SF），然后将其转换为砖块操作代码段（BACS）以创建语义布局。该模型被称为 Seq-SG2SL，可以预测语义布局，从而在 Visual Genome 数据集上显示其优越性。

Aug, 2019