该研究提出了一种有效的大型语言模型适配器（ELLA），将文本到图像扩散模型与强大的大型语言模型相结合，以实现文本对齐，并且无需对 U-Net 或 LLM 进行训练。通过动态提取 LLM 中的时步相关条件，ELLA 在不同阶段适应语义特征，帮助扩散模型解释复杂的长文本提示。该方法在稠密提示跟随中表现出优越性，尤其是涉及多个对象组成和多样属性关系的情况。

Mar, 2024

我们提出了一种新颖的，无需训练的方法，用于实现基于扩散模型的真实图像的文本编辑。我们的方法利用潜在空间对齐（LASPA）有效地保留图像细节，通过扩散过程与参考图像进行空间引导，从而实现语义上连贯的编辑。该方法无需复杂的优化和昂贵的模型微调，与之前的方法相比，编辑速度显著提高。此外，我们的方法避免了大型微调模型的存储要求。这些优势使得我们的方法特别适用于移动设备和需要快速响应时间的应用。尽管简单快速，我们的方法在用户研究中获得了 62-71％的偏好，并且在模型编辑强度和图像保护评分方面表现显著优越。

Mar, 2024

该研究提出了一种基于 EPAAEs 的方法，通过在连续嵌入空间中添加一个可调整噪音组件来完善扰动模型，从而更好地聚类风格相似的句子，且在文本风格转移任务上表现优异，同时还将文本风格转移任务扩展到 NLI 数据集，并证明了该方法最适合学习具有更复杂风格的数据集。

May, 2022

通过表示编辑的方法，提出了一种通过在预训练的自回归大型语言模型上引入外部控制信号，以实现特定目标对齐的方法，实验证明该方法在测试时间上优于现有的测试时间对齐技术，并且相对于微调方法需要较少的资源。

Jun, 2024

大型语言模型经常表现出不良行为，本研究提出了一种新的推理时编辑方法，即激活的频谱编辑（SEA），通过将输入表示投影到与积极示范具有最大协方差方向，同时最小化与消极示范具有协方差的方向，有效地缓解了生成虚假或有偏差内容的问题。

May, 2024

LESA framework proposes a generalized model for argument mining using syntactic and contextual features to segregate claims, resolving the issue of unavailability of labeled unstructured text by annotating a Twitter dataset and improving state-of-the-art performances on benchmark claim datasets.

Jan, 2021

通过引入一个创新的标签对齐方法 LAMM 以及一个分层损失，我们的研究展示了在少样本场景中，我们的方法显著提高了现有多模态提示学习模型的性能，并在持续学习方面具有优势。

Dec, 2023

通过使用较小的模型，引入一种模型不可知且轻量级的贝叶斯说服对齐框架，为对齐黑盒大模型提供高效方法。在使用该框架进行训练后，希望我们的工作能够提供从贝叶斯说服的视角重新审视对齐框架的初步步骤，并取得优于先前模型的性能提升。

May, 2024

本研究使用轻量级模型系统地探索学习通用句子嵌入的方法，证明了一种深薄编码器可以构建 109 种语言的强韧低维句子嵌入，并通过引入知识蒸馏方法进一步提高模型性能。实验证明，如此轻量级模型在 Tatoeba，联合国和 BUCC 上展现了出色的效果，并在 TensorFlow Hub 上发布了名为 LEALLA 的语言无关句子嵌入模型。

Feb, 2023

该论文提出了潜在空间对齐反演范式，通过引入标准化样式空间和余弦距离等指标优化反演方法使得反演结果更符合期望分布，并在多个领域的实验中显示出优越性。

Sep, 2022