Aug, 2022

PEER：协作式语言模型

PDF
TL;DR本研究介绍了 PEER，一种协作语言模型，可以模仿整个写作过程，撰写草稿，添加建议，提出编辑意见并解释其行为。在各种领域和编辑任务中表现出强大的性能，并通过使用自我训练技术提高了训练数据的质量、数量和多样性，从而发挥了其全部潜力。
collaborative writinglanguage modelspeertraining dataediting tasks
发现论文，激发创造
  • 修订和重新提交：基于文本的同行评审合作的互文模型

    提出了第一个基于文本协作的互文模型，涵盖了同行评审的三个重要现象：实用标记、链接和长文档版本对齐，在期刊风格的发表后开放的同行评审中，我们实例化了我们提出的模型并提供了详细的洞察力。

    Apr, 2022

  • EditEval：面向文本改进的基于指令的基准测试

    本文提出 EditEval：一种以指令为基础的评测套件，利用高质量的现有和新数据集自动评估编辑能力，证明了 InstructGPT 和 PEER 的表现最佳，而大多数基线都低于监督学习 SOTA，本文通过这个基准的发布和公开可用的排行榜挑战，希望能够解锁未来发展能够进行迭代和更可控编辑的模型的研究。

    Sep, 2022

  • 通过多智能体同行评审协作实现大型语言模型的推理

    通过多模型协同合作策略，模拟学术同行评审过程的多个代理人独立构建解决方案，相互审查并分配评审置信度，最终通过反复修订得到优于现有方法的结果，在多个推理任务中展示出卓越的准确性，并在数学推理中体现了对评审置信度整合的有效性，为模仿人类的多代理协同过程提供了有前途的方向。

    Nov, 2023

  • NLPeer: 同行评审计算研究的统一资源

    NLPeer 是第一个伦理资源资料来源跨领域的超过 5k 篇论文和 11k 篇来自五个不同论文场馆的审稿报告，它建立了统一的数据表示，并且增加了富元数据和版本信息，这项工作为 NLP 及其他领域的同行评议的系统性、多方面、以证据为基础的研究铺平了道路。我们将 NLPeer 公开提供。

    Nov, 2022

  • 自动后编辑的复制学习

    该研究提出了一种新的模拟自动后期编辑过程中的复制机制的方法，通过在源句子和系统输出之间交互学习来更好地识别翻译错误，并在 WMT 数据集上的实验中进行验证，表现优于以往最佳结果。

    Nov, 2019

  • PePe: 利用用户生成的后编辑进行个性化后编辑模型

    本文介绍一种个性化自动后编辑框架来解决机器翻译中反映个人喜好的挑战，其使用鉴别器模块和用户特定参数的模型，在四种不同指标（BLEU、TER、YiSi-1 和人类评估）上优于基线模型。

    Sep, 2022

  • QuickEdit: 通过划掉单词进行文本和翻译编辑

    提出了一个计算机辅助文本编辑的框架，通过神经序列到序列建模和引入一个以输入句子和更改标记为输入的神经网络来解决翻译后编辑和改写问题，并通过用户研究评估了该模型的效果。

    Nov, 2017

  • 自然语言处理对同行评审有何用处？

    科学文章数量快速增长，对其进行质量控制对科学家和大众利益至关重要。由于同行评审往往困难、耗时且容易出错，自然语言处理（NLP）在改进同行评审方面具有巨大潜力。我们的论文旨在为未来的 NLP 同行评审努力奠定基础，讨论了同行评审的一般过程，以 AI 会议的审稿为例，详细阐述了从文稿提交到定稿的每个步骤，讨论了 NLP 协助的挑战和机遇，提出了 NLP 同行评审面临的大型挑战，包括数据获取、运营和实验、伦理问题，并创建了一个聚合与同行评审相关的主要数据集的伴侣仓库。最后，我们呼吁科学界、NLP 和 AI 研究人员、政策制定者和资助机构共同努力推动 NLP 同行评审的研究，希望我们的工作能够在 AI 时代为机器辅助的科学质量控制设定议程，不仅仅限于 NLP 社区。

    May, 2024

  • 指导调优作为协作写诗的媒介

    本研究探索了基于 LLMS 的协作式诗歌创作系统 CoPoet，通过 fine-tuned 的语言模型与用户指令实现了对多样化创作要求的满足，用户生成的诗歌得到了第三方评估的认可。

    Oct, 2022

  • CoEdIT: 通过任务特定指令调整进行文本编辑

    本研究基于指令调整的 LLMs 语言模型，开发了一种名为 CoEdIT 的文本编辑模型，提供高质量和高效率的写作辅助。经过定量和量化分析，我们证明作家们更喜欢 CoEdIT 建议的编辑方式，相对于其他最先进的文本编辑模型。

    May, 2023