本文研究了大型语言模型在实际事件中实现推理的能力，设计了一个建模和预测框架，其中大型语言模型执行推断，以协助事件序列模型提高预测准确性，并通过在 Amazon Review 和 GDELT 两个具有挑战性的实际数据集上进行的广泛实验，展示了我们的框架的性能优势。

May, 2023

研究人员测试了大型语言模型是否能够生成可信的真实世界事件描述，并发现这些模型虽然能够区分可能和不可能的事件，但在区分可能性较小的事件时仍然比人类表现差，这突显了 LLM 在事件知识方面存在的局限性。

Dec, 2022

设计了一个高效的工具，利用大型语言模型从大规模事件序列中提取逻辑树解释，以为每个观察到的事件序列提供定制化的洞察力。

Jun, 2024

本文提出了一种名为 VideoLLM 的新框架，它利用了自然语言处理（NLP）预训练 LLMs 的序列推理能力来进行视频序列理解。通过精心设计的模态编码器和语义转换器，将不同来源的输入转换为统一的标记序列，然后将其馈入仅解码的 LLM 中。在实验中，作者评估了 VideoLLM 在多个任务上的表现，证明了 LLMs 的理解和推理能力可以有效地转移到视频理解任务中。

May, 2023

本研究通过使用大型语言模型（LLMs）并应用序列级知识蒸馏方法，开发了三种不同的模型用于释义领域中的改写任务，这些模型具有更快的推理时间，能够生成质量相当的多样化释义，并在人类评估中表现出仅有 4% 的性能下降。

Apr, 2024

通过使用大型语言模型，本文研究了如何在维持竞争性准确率的同时，简化时态知识图谱学习框架的设计，通过使用指令微调适合编码器 - 解码器生成式语言模型进行对象预测，并设计了简单而有效的提示模板，用于每个 TKG 五元组的多事件预测。实验结果表明，此方法具有有效性和鲁棒性。

Jun, 2024

本研究使用大型语言模型通过自然语言来起草事件模式，之后通过人工技术进行进一步的修订并将事件知识萃取到模式中。通过实验证明，大型语言模型在两个数据集中取得了适当的关键事件回调，并且我们的方法为更轻松地从大型语言模型中提取事件知识提供了可能性。

May, 2023

我们发现，LSTM 和 Transformer 语言模型系统地低估了来自目标语言的序列的概率，并且对于不太可能出现的序列更为严重，尽管使用更多的训练数据减轻了这种倾向，但这种低估行为还是存在，并且在目标分布熵较低时加剧了这种情况，并且找到了导致这种概率差距的原因在于语言模型往往会高估不规范序列的概率。

Mar, 2022

本研究聚焦于利用大型语言模型（LLMs）进行自动事件提取，介绍了一种新方法以解决幻觉问题，通过将任务分解为事件检测和事件参数提取，并将动态结构感知的增强检索示例集成到为每个具体查询定制的提示中，从而扩展和适应检索增强生成等先进提示技术。评估结果表明，与基线方法相比，该方法在突出的事件提取基准和合成基准测试中表现出卓越的性能。

Jun, 2024

本文介绍了 CALLMSAE，这是一个基于 CAscading Large Language Model 框架的关键事件图生成方法，它利用 LLMs 的能力，无需昂贵的人工注释。实验结果表明，该方法生成的关键事件图更准确，胜过竞争性基线模型。

Jun, 2024