本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。

Mar, 2023

本篇论文提出了一种基于预训练的 Transformer 模型 fine-tune 的方法，使之具备在对话语境中进行逻辑推理和回答问题的能力，而无需额外的训练数据集。研究结果表明，该模型在已训练属性上能够达到 90% 以上的精度，在适当的对话语境下能够提取出适当的限制条件传递给下游组件 (e.g. 知识库)。

Feb, 2022

通过对十二个大型语言模型进行因果中介分析，本文发现大型语言模型在生成最终答案时并不可靠地使用中间推理步骤。为了解决这个问题，我们引入了 FRODO 框架，该框架通过使用隐式因果奖励函数生成正确的推理步骤，以及通过因果和对抗优化目标忠实地进行推理。实验证明，FRODO 显著优于其他四个基线方法，提高了推理语言模型的鲁棒性和泛化能力，在分布外测试集上表现更好。最后，我们发现 FRODO 的解释对最终答案的预测更加可靠。

Feb, 2024

本文旨在构建一种统一的会话基础模型，通过收集大规模多样化的对话数据集和引入自监督任务，提高该模型的稳定性。实验结果表明，与其他相同规模的模型相比，该模型在跨领域对话任务方面有着领先的表现。

May, 2022

本文提出了一种显式建模对话推理信息增益的方法来更好地理解对话流程和理解其背后的上下文，其在 QuAC 和 SCONE 数据集上取得最先进性能，展示了该方法的有效性和其推广到不同 QA 模型和任务的能力。

Aug, 2019

本研究提出了一个综合性基准来研究模型在复杂的现实场景中的逻辑推理能力。我们设计了细粒度的逻辑推理解释形式，并在实验中评估了当前最佳模型在这种新的解释形式上的表现，结果表明即使在巨型模型的帮助下，生成推理图仍然是一个具有挑战性的任务。

Oct, 2022

提出了一种利用事实一致性模型进行弱监督微调的方法，通过在生成的文本中添加引用并使用经过过滤的引文数据进行监督微调，以提高生成的内容的可验证性，并在 ALCE few-shot 引文基准上展示了超过上下文学习、纯监督微调和最先进方法的平均提高，同时在领域转移设置中表明所得到的引文生成能力在未见过的数据集上具有稳健性，并且在基线对比中具有最低的事实错误率。

Jun, 2024

本文提出了一种名为 Face-to-Face Contrastive Learning (F2F-CL) 的图神经网络模型，用于建模人类社交互动中的面对面交流动态，并在 Social-IQ 数据集上实现了最先进的效果。

Jul, 2022

本文提出了一种名为 CFC 的新的问题回答模型，它结合了来自多个文档的证据信息，其粗粒度模块尊重从查询中解释文档以及找到相应答案，而其细粒度模块通过比较其在所有文档中与查询的出现次数得分每个候选答案。 这种模型使用共同关注和自我关注的层次结构设计，学习强调输入的不同部分。 在 Qangaroo WikiHop 的多证据问题回答任务中，CFC 在盲测试集上获得了 70.6％的最新技术结果，尽管没有使用预先训练的上下文编码器，但仍比之前最佳结果高出 3％的准确性。

Jan, 2019

基于对代理与基础模型互动模式的分类和对该模式的扩展架构提出的综述性论文，为实现基础模型在实际人工智能系统中的潜力提供了指导。

Feb, 2024