该研究通过提出一种基于标签的 Seq2Seq 模型，旨在从刑事案件的事实描述中生成法庭观点，以提高刑事指控预测系统的可解释性和帮助自动生成法律文件。

Feb, 2018

通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。

Mar, 2024

该论文提出了一种新型的可解释的未来事件生成框架 Coep，该框架集成了两种类型的事件知识，包括直接事件 - 事件关系的序列知识和反映事件之间的心理联系的推理知识，并设计了两个模块 Im 和 Gm，以帮助生成未来事件。

Jan, 2022

通过使用具有强大的自然语言理解和生成能力的 LLM，我们提出了一种新的新闻摘要生成方法，利用 LLM 从新闻段落中的事件中提取多个结构化事件模式，通过遗传算法演化事件模式的种群，并选择最适应的事件模式输入 LLM 来生成新闻摘要。实验结果表明，新闻摘要生成器能够生成准确可靠且具有一定泛化能力的新闻摘要。

Jul, 2023

提出了一种名为 “LegalDuet” 的模型，通过预先训练语言模型，学习一个定制的嵌入空间，用于进行法律判断，并通过双视角的推理机制，从法官的判断经验和案例中提取法律线索来区分刑事案件。在 CAIL2018 数据集上，LegalDuet 表现优于基线模型，平均提高了约 4%。

Jan, 2024

通过结合大型语言模型和聚类分析，利用自动化事件检测框架从全球事件、语言和情感数据库（GDELT）中检测新闻事件，并通过关键词提取、文本嵌入、事件摘要和主题标签等任务加强事件聚类，以提供有价值的洞察力和增强新闻报道的准确性和深度。

Jun, 2024

近年来，研究人员试图调查 LLM 在处理视频方面的能力，并提出了几种视频 LLM 模型。然而，LLM 在处理视频对齐（VG）方面的能力仍然不清楚，也没有在文献中进行探索。为了填补这一空白，本文提出了 LLM4VG 基准测试，对不同的 LLM 在视频对齐任务上的性能进行系统评估。基于我们提出的 LLM4VG，我们设计了大量实验，检查了两组视频 LLM 模型在视频对齐上的表现：（i）基于文本 - 视频对训练的视频 LLM（标记为 VidLLM），以及（ii）与预训练的视觉描述模型（如视频 / 图像字幕模型）结合的 LLM。我们提出了整合 VG 指令和来自不同类型生成器的描述的方法，包括用于直接视觉描述的基于字幕的生成器和用于信息增强的基于 VQA 的生成器。我们还对各种 VidLLM 进行了全面比较，并探讨了不同视觉模型、LLM、提示设计等的影响。我们的实验评估得出了两个结论：（i）现有的 VidLLM 离实现令人满意的视频对齐性能还有很长的路要走，需要进一步微调这些模型以包含更多的与时间相关的视频任务；（ii）LLM 和视觉模型的组合显示出初步的视频对齐能力，通过采用更可靠的模型和进一步的提示指导，这种能力具有可观的改进潜力。

Dec, 2023

人工智能对传统司法行业产生了重大影响。最近，随着 AI 生成内容的发展，人工智能和法律在图像识别、自动文本生成和交互式聊天等领域得到应用。然而，法律领域的大型语言模型的应用仍处于初级阶段。本文对法律领域的大型语言模型进行了全面调查，揭示了它们在司法系统中的应用。同时，我们还讨论了法律领域大型语言模型的实际实施，如为用户提供法律咨询和协助法官审理案件。此外，我们探讨了法律领域大型语言模型的局限性，包括数据、算法和司法实践。最后，我们总结了实际建议并提出了未来发展方向以解决这些挑战。

Nov, 2023

通过使用 BiLL-VTG 框架，结合大型语言模型 (LLMs)、结构化场景图生成和描述性图像标题生成两种视觉工具，通过对特定视频事件进行多次推理步骤，实现对用户指令的文本回复，并通过 InsOVER 算法使用语言指令定位相应的视频事件，从而使 LLMs 能够与长视频进行交互，实验表明该框架优于预训练模型 Flamingo-80B，达到了最先进的性能。

Oct, 2023

通过模拟从网络获取的输入生成结构化全文维基百科文档，该论文介绍了关于维基百科生成的一种新方法，使用最新的事件和相关网页作为数据源，并设计了全面评估指标和基准方法。

Feb, 2024