介绍了一种名为 COMET 的深度学习集群设计方法和工作流程，该方法能够同时研究并优化并行化策略和关键集群资源配置以提高分布式深度学习模型的性能。纵观一个变量大小的计算，内存和网络资源的集群上训练基于 Transformer-1T 模型的实例，这个方法能够指导系统设计者进行架构优化方向的筛选，并协助其配置关键模型和集群参数。

Nov, 2022

本研究介绍了一种名为 xCOMET 的开源学习度量方法，它融合了语句级评估和错误跨度检测能力，并展现出在各种评估类型（语句级、系统级和错误跨度检测）方面的最先进性能，同时突出和分类错误跨度，从而丰富了质量评估。通过稳健性分析和压力测试，我们还表明 xCOMET 在识别局部关键错误和产生幻觉方面有很强的能力。

Oct, 2023

COMET 是一种元学习方法，通过学习沿着可解释的人类概念维度的模式知识，从而改进泛化能力，而不是学习一个联合的无结构度量空间。在各种领域中的少样本任务中，COMET 的表现优于强元学习基线，且提供模型预测背后的解释。

Jul, 2020

本文提出了一种新的稀疏门控机制 COMET 以及一种置换局部搜索方法，应用于稀疏 Mixture-of-Experts 框架，这种方法在推荐系统、自然语言处理等领域进行大规模实验，取得了良好的效果。

Jun, 2023

本文探讨了如何采用组合测试技术来测试深度学习系统，以提高其鲁棒性，从而及早发现漏洞。作者提出了一套 DL 系统覆盖度准则和 CT 覆盖度引导测试生成技术，并通过实验证明组合测试可以有效地降低测试空间并提高其缺陷检测能力。此外，还对深度学习系统的组合测试提出了一些未解之问和有趣的方向。

Jun, 2018

使用基于图的表示和基于 Transformer 模型的方法，通过捕捉代码更改的上下文来生成高质量的 Commit 消息。通过实验证明，Comet 在 BLEU-NORM 和 METEOR 指标上优于现有技术，并与 GPT 模型相比具有竞争力的结果。

Feb, 2024

提出 COMET 流方法用于建模极值现象，将建模联合分布过程分为建模边际分布和建模 copula 分布两部分，其中结合 parametric tail belief 和 kernel density function 来表达重尾边缘分布；同时利用 inducing low-dimensional manifold structure 来表达多元极值中的非对称尾依赖，并给出相关实验结果。

May, 2022

介绍了 COMET，这是一个使用神经网络的多语言机器翻译评估模型，它利用了跨语言预训练语言建模的最新进展，通过同时使用源输入和目标语言的参考翻译来更准确地预测机器翻译的质量，并在 WMT 2019 指标共享任务中获得了新的最优表现，并展示了对高性能系统的鲁棒性。

Sep, 2020

利用精简和压缩技术，我们创建了高效的 xCOMET 替代方法，并使用黑盒蒸馏数据收集管道，实验证明，经过量化处理后，xCOMET 可以压缩至原体积的三分之一，且质量不降低；通过蒸馏，我们创建了一个 xCOMET-lite 度量方法，它仅含有 xCOMET-XXL 参数的 2.6%，但保持了 92.1% 的质量，并且在 WMT22 度量挑战数据集上比 COMET-22 和 BLEURT-20 等小规模方法提高了 6.4%，即使用的参数量减少了 50%。

Jun, 2024

通过人类评估和地理多样性任务的外在评估，我们展示了 GD-COMET 的有效性，证明其具有捕捉和生成跟文化相关的常识知识的潜力，从而有望在 NLP 应用中产生广泛影响，并有助于使 NLP 更加包容。

Oct, 2023