本文介绍了一个名为 TextBox 的开源库，旨在提供一种统一、模块化和可扩展的文本生成框架。该库支持广泛的文本生成任务和模型，并且通过将模型架构、推断和学习过程适当地分解为高度可重用的模块，保持了足够的模块化和可扩展性，使用户可以轻松地将新模型整合到我们的框架中。

Jan, 2021

提出了一种先进的 XNLP 演示平台，通过利用 LLM 实现通用 XNLP，具有高普适性的单模型，推动了通用 XNLP 建模、高性能、可解释性、可扩展性和互动性的多个方面，为社区中探索不同 XNLP 任务提供了统一的平台。

Aug, 2023

提出了 Uni-NLX，一个统一的框架，将所有自然语言解释任务整合到一个紧凑的多任务模型中，使用文本生成的统一训练目标。引入了两个新的 NLE 数据集：ImageNetX，一个包含 144K 个样本的数据集，用于解释 ImageNet 分类；VQA-ParaX，一个包含 123K 个样本的数据集，用于解释视觉问答（VQA）任务。通过训练这 1M 个组合的 NLE 样本，在参数数量减少 7 倍的情况下，我们的统一框架能够同时执行七个 NLE 任务，包括 VQA、视觉识别和视觉推理任务，在某些任务中甚至表现出色于以前方法中的独立任务特定模型。

Aug, 2023

教育资源理解对于在线学习平台至关重要，该研究旨在开发出一种统一、模块化、广泛应用的库（EduNLP），以实现有效且易于使用的自然语言处理工具，以促进人工智能教育相关研究和应用。

Jun, 2024

TextMachina 是一个模块化和可扩展的 Python 框架，旨在帮助创建高质量、无偏见的数据集，用于构建 MGT 相关任务（如检测、归因或边界检测）的强健模型。

Jan, 2024

本文提出了一个跨语种的 NLP 任务（TextFlint）多方面评估平台，它包含通用文本转换、任务特定转换、对抗攻击、亚种群以及它们的组合，可为从多个方面对模型进行全面的鲁棒性分析。

Mar, 2021

本文介绍了 XATU，这是第一个专门针对细粒度指令的可解释文本编辑的基准，涵盖了广泛的主题和文本类型，并使用高质量的数据源和人工注释，评估了现有大型语言模型在不同编辑任务中的效果，揭示了解释对于文本编辑任务中的语言模型微调的重要作用。

Sep, 2023

本文探讨使用双语词汇表在网络爬取的文本训练数据上进行无监督机器翻译的有效性，通过词汇数据增强，我们证明了其对于提升无监督翻译成果的重要性，并开源了 GATITOS，这是一个在 26 种低资源语言中表现最好的多语种词汇表。

Mar, 2023

Texar 是一个开源工具包，支持广泛的文本生成任务，旨在将任何输入转化为自然语言，包括机器翻译、摘要、对话、内容操作等。它以模块化、通用性和可扩展性为设计目标，提取了不同任务和方法学的共同模式，创建了高度可重用模块的库，并允许任意模型架构和算法范例。支持 TensorFlow 和 PyTorch，并在 Apache License 2.0 下发布。

Sep, 2018

本文探讨如何通过 Few-shot 学习和文本蕴含来实现通用的 NLP 任务解决方案，并且说明文本蕴含可以应用于多种 Downstream NLP 任务，用于解决数据稀缺的情况。

Oct, 2020