LIDA 是第一个可以从原始文本开始处理的对话注释系统，可支持任意机器学习模型并具有专用界面解决标注者间的不一致，是一款能提高交谈数据注释速度和质量的注释工具。

Nov, 2019

该研究介绍了一种基于多模态大型语言模型的生成助手（LLMGA），利用大型语言模型（LLM）中内在的知识和理解能力，帮助用户进行图像生成和编辑，通过精确控制生成提示实现对稳定扩散（SD）的控制，以提供更精细、准确的内容和更直观的网络解释性，同时还提出了一个两阶段的训练方案来优化 SD 的生成结果，并引入基于参考的恢复网络来减少图像编辑过程中生成区域与保留区域之间的纹理、亮度和对比度差异。广泛的实验结果表明，LLMGA 具有很好的生成能力，并能以交互方式在更广泛的应用中发挥作用。

Nov, 2023

该研究提出了一种基于大型语言模型（LLMs）的 LI3D 系统，它集成了 LLMs 作为 3D 布局解释器到现有的布局生成模型中，使用户能够灵活且交互式地生成 3D 场景并且验证其有效性和性能。

May, 2023

基于预训练语言模型的交互式写作助手 IGA，可以通过标记进行 fine-grained 的文本生成和改写，在自动和人工评估以及小规模用户研究中表现良好，同时公开了数据集、代码和演示。

Apr, 2021

GELDA 是一个几乎自动的框架，利用大规模生成语言模型（LLMs）为一个领域提出和标记各种属性，并使用 LLMs 决定在图像中对每个属性进行分类的视觉语言模型（VLMs），结果显示 GELDA 能够生成准确和多样的视觉属性建议，并发现偏见，即类标签和背景特征之间的混淆，它可以作为一种辅助工具帮助人们以一种廉价、低成本和灵活的方式分析数据集。

Nov, 2023

本文提出了一种基于大型语言模型的自主信息查找视觉问答框架 (AVIS)，包括三个组件：动态决定下一个工具的 LLM 规划器、分析和提取工具输出关键信息的 LLM 推理器，以及在整个过程中保留所获取信息的工作记忆组件。通过用户行为作为向导，该系统通过分析用户决策顺序创建转换图，并利用用户决策制定决策策略，从而实现了在 Infoseek 和 OK-VQA 等知识密集型视觉问答基准测试中取得了最新的成果。

Jun, 2023

LLaGA 是一个创新的模型，它将大型语言模型的能力与处理图结构数据的复杂性相结合，通过重新组织图节点并将其映射到标记嵌入空间来实现。LLaGA 在不同数据集和任务上表现出色，能够一次性使用一个模型，在受监督和零样本情况下超越最先进的图模型。

Feb, 2024

利用微博和深度学习技术，研发了一种可靠的语言识别引擎，在 Discriminating between Similar Languages (DSL) Shared Task 2015 数据集上达到了 95.12% 的准确率。

Jan, 2017

LL3DA 是一种大型语言 3D 助手，可以直接接收点云输入，并对文本指令和视觉提示进行回应，可以帮助大型多模态模型更好地理解人类互动，并在杂乱的 3D 场景中消除歧义。实验证明，LL3DA 在 3D 密集字幕和 3D 问答方面取得了显著成果，并超越了各种 3D 视觉语言模型。

Nov, 2023

StoryGPT-V 使用潜在扩散和大语言模型的优点，生成具有一致且高质量角色的图像，通过解决指代消解和对上下文的理解来提高生成准确性和忠实度。模型在视觉故事可视化上表现优异，并具有较低的内存消耗。

Dec, 2023