本研究提出 InterCode 框架，作为交互式编码的标准强化学习（RL）环境，并使用 Bash 和 SQL 作为行动空间，以前沿的 LLMs 和其它编码策略作为实证对象，以展示其优越性和可持续性，同时证明其作为推进代码理解和生成能力的有挑战性的基准测试。

Jun, 2023

该论文介绍了 InScript（Narrative Texts Instantiating Script structure）语料库，它包含 1000 个围绕 10 个不同情景的故事。这个语料库为研究自然语言处理中脚本知识的作用提供了独特的资源。

Mar, 2017

通过学习用户与已部署模型之间的自然对话，我们研究了提高社交对话代理的方法，无需额外的注释。利用用户响应长度、情感以及未来人类发言中的反应等信号来隐式衡量机器生成发言的质量。我们的实验使用了 BlenderBot（Xu 等，2023 年）的公开发布的部署数据。人工评估表明，我们的新模型在基线回复上有所改进；然而，我们发现一些代理信号也可能导致具有不良特性的生成。例如，优化对话长度可能导致比基线更具争议性或不友好的生成，而优化积极情感或反应则可能减少这些行为。

Jul, 2023

本研究提供了一个大的数据集，开发了一种标准对学生的评论进行分类，并提出了一种使用大型语言模型进行评论分类的最佳实践，从而建立了一个低成本的定量研究自动化体系，来处理海量的在线学生反馈。

Jun, 2023

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

该研究介绍了一种大规模的、关于叙事文本及其相关问题的数据集，用于进行需要运用常识以及剧本知识推理的机器理解任务，该数据集与现有的类似数据集的区别在于，它侧重于关于日常活动的故事，并且其问题需要常识知识或者更具体地说是剧本知识来回答。通过众包策略收集数据，该数据集提供了实际推理方面的大量问题，并被用于 SemEval 2018 中的关于常识和剧本知识的共享任务，并为更广泛的自然语言理解社区提供了具有挑战性的测试用例。

Mar, 2018

通过对电影和电视字幕以及自然对话语料进行数量分析，研究发现字幕中的对话反馈明显较少，负面反馈比例较高，而大型语言模型生成的对话响应也呈现相似趋势，除非该模型基于自然对话进行显式微调。

Sep, 2023

研究利用互联网检索获取更新信息并从人类反馈中提升网络聊天技能的算法，并表明了利用 Director 模型可以显著提高性能。

Aug, 2022

我们提出了一种自动为入门编程问题提供反馈的新方法，该方法利用参考实现的任务和由可能制造的错误组成的错误模型。

Apr, 2012

Script learning studies events and proposes the Choice-75 benchmark to predict decisions in descriptive scenarios, highlighting areas for improvement in language models.

Sep, 2023