通过将结构化说明转化为对话结构的形式，研究使用基于 Transformer 的架构模拟对话步骤，并通过用户研究证明了该方法对网页说明文本的改进

Sep, 2023

我们的研究利用大语言模型将菜谱文本转化为易于理解的形式，通过改进菜谱的步骤和指令并使用 Amazon Mechanical Turk 任务收集人类意见，证明了大语言模型作为数字厨师的潜在应用。

Jun, 2023

通过上下文指导生成回复的语言模型在多轮对话生成任务中取得了令人瞩目的成果，通过对指令进行微调并将其与输入对齐，可以显著提高生成性能。

Nov, 2023

基于 T5 和 GPT-3.5 的基线模型，该研究论文介绍了具有中间步骤描述的烹饪食谱语料库，以有效地理解和推理烹饪食谱中的输入和输出，从而为智能推理和程序文本生成提供了有关常识推理的挑战性任务和见解。

Jan, 2024

自然语言指令与图像编辑相结合，通过改进的数据增加监督信号，使模型能够优于最先进的基线技术，在细粒度物体中心编辑方面取得了显著的改进，同时还能推广到训练过程中未见过的领域。

Oct, 2023

我们提出了一种基于序列的预训练方法，以加强自然语言处理中的程序理解。我们的工作是首次比较了几种 “以顺序为监督” 的 Transformer 预训练方法，并显示这些方法在两个下游实体跟踪数据集（食谱领域的 NPN-Cooking 数据集和开放领域的 ProPara 数据集）上相对于基准模型和最新方法有了改进的结果。我们的方法解决了需要预测过程步骤中实体状态的非平凡的实体跟踪任务，这需要理解步骤的顺序。这些方法在 NPN-Cooking 和 ProPara 数据集上相对于最佳基准模型分别在度量指标上提高了 1.6％和 7-9％。

Apr, 2024

该研究论文证明使用 in-context learning 可让大型语言模型显式推断潜在任务，通过自然语言生成指令，InstructGPT 的表现达到了人类的 65.7％，建议指令感应可能是一种学习范例。

May, 2022

RecipeGPT 是一种在线食谱生成和评估系统，它提供两种文字生成模式和一个食谱评估模块，使用 GPT-2 语言模型、精细调整的数据集，并可以方便地检查食谱生成内容的质量和存储结果供未来参考。

Mar, 2020

将生成式人工智能技术应用于教育领域的研究正在扩展，本文通过对 212 名大学生的英语作为外语写作课程进行为期一学期的实验，创造了名为 RECIPE4U 的数据集，记录了学生与 ChatGPT 对话修订文章的全过程，并对学生的意图和满意度进行了标注、分析和学生的修订文章进行了统计，进一步探索了 RECIPE4U 数据集在教育框架中应用人工智能技术的潜力。

Mar, 2024

本文介绍了 Instruct-SCTG 框架，利用调谐指令的语言模型在精细调整和零 - shot 设置中生成结构连贯的文章，通过自然语言指令对生成的文本进行段落层次的控制，并引入了一种模糊度量衡来衡量篇章发散程度。实验结果验证了该框架在新闻和食谱等领域中建立篇章结构的的卓越性能，即通过自动化和人工评估的双重验证。

Dec, 2023