提出正则表达式推理（REI）作为代码 / 语言模拟的挑战，并对更广泛的机器学习社区提出。REI 是一项监督式机器学习和程序综合任务，通过示例来找到最小的正则表达式。最近在 GPU 上实现了 REI 求解器，首次实现了用于复杂 REI 实例的快速最小表达式生成。以此为基础，我们生成并发布了 REI 的第一个大规模数据集，并设计和评估了几种初始启发式和机器学习基准方法。邀请社区参与并探索学习解决 REI 问题的机器学习方法。我们相信，在 REI 方面的进展直接转化为代码 / 语言模型。

Aug, 2023

本文介绍了一种控制生成文本的框架 InstructCTG，通过自然语言描述和约束条件的演示，将各种内在约束条件融入预训练语言模型中，以达到对生成文本的控制和优化。

Apr, 2023

基于 Instruction-tuned 模型的可控文本生成，使用基于提示的方法超过了其他可控文本生成方法，在大多数数据集和任务上匹配人类表现，突出了对更多约束和具有挑战性的风格任务的研究的需求。

May, 2024

本文提出了一种针对任意字母表的 REI（正则表达式推理）算法，其将搜索空间紧凑地实现为位向量的连续矩阵，使用形式幂级数的半环表示子语言，并在 GPU 上实现时能显著提高性能。

May, 2023

我们提出了一种方法，用于将输入的句子重写为特定的非平凡语言特征值，如依赖深度，并且与以往的工作相比，我们的方法使用上下文学习而非微调，使得它适用于数据稀缺的情况下，并且我们展示了我们的模型能够准确重写并匹配现有的将句子重写为指定学校年级水平的技术水平。

Jun, 2024

使用 T5-based text2text transformer 构建了一个 Hard RegSet dataset，用于研究 instruction learning，该 transformer 学习从指示中执行任务的能力存在挑战，其中大型正则表达式和需要跟踪更长的先前步骤的执行更加困难。

Apr, 2022

基于大型语言模型（LLMs）进行可读性控制的文本生成是个性化应用的重要方向，本论文引入了一种名为 “Readability-Controlled Instruction Learning (ReadCtrl)” 的新方法，通过这种方法可以调整 LLMs，以适应用户的可读性水平。与传统方法不同的是，该方法引入了一种动态框架，使 LLMs 能够在各种复杂性水平上生成内容，从而增强了它们在不同应用中的适用性。研究结果表明，ReadCtrl-Mistral-7B 模型在人工评估中以 52.1%：35.7% 的胜率明显优于强大的基准模型，例如 GPT-4 和 Claude-3。此外，ReadCtrl 在自动评估中表现出显著改进，通过更好的可读性指标（如 FOG，FKGL）和生成质量指标（如 BLEU，SARI，SummaC-Factuality，UniEval - 一致性和连贯性），说明 ReadCtrl 在产生与目标可读性水平密切匹配的高质量、上下文适应性强的输出方面具有有效性和韧性，标志着 LLMs 在个性化内容生成方面的重大进展。

Jun, 2024

该研究旨在探索将自然语言查询翻译成代表它们含义的正则表达式的任务。为了充分发挥神经模型的潜力，该研究提出了一种收集大规模的正则表达式和自然语言对的方法，并通过该模型实现了比之前最先进模型提升了 19.6% 的性能。

Aug, 2016

从自然语言描述生成正则表达式（regexes）的新范 Paradigm InfeRE 通过逐步推理的方式生成 regexes，通过多个模型的采样输出来提高鲁棒性，优于先前的基线方法和基于树的生成方法 TRANX，具有提高 DFA@5 准确率的性能

Aug, 2023

我们提出了一个新的基准测试 CoDI-Eval，系统和全面评估 LLMs 对带有各种约束的指令的响应，揭示了它们在按照特定约束执行指令方面的局限性和开源与闭源 LLMs 之间存在显著差距。

Jan, 2024