借助解答集编程指导和多样化基于 LLM 的故事生成
使用 CLMASP 方法,通过结合大型语言模型 (LLMs) 和 Answer Set Programming (ASP) 的能力,能够生成可在具体机器人情境中执行的规划方案,大幅度提高了可执行率。
Jun, 2024
提出了一个结合了大型语言模型和逻辑编程 Answer Set Programming 的框架 STAR,通过在语言上提取知识并利用 ASP 进行规定驱动的推理,以提高针对需要推理的 NLU 任务的性能和可解释性。
Feb, 2023
本文探讨了使用 Large Language Models 进行程序合成时,实现 Synthesize,Execute,Debug 方法的方法,包括替换或修复故障程序,以及不同基于模板和基于模型的提示生成技术,取得了比传统方法更好的表现。
Apr, 2023
利用大型语言模型的独特能力,本文提出一种名为 Logic-Scaffolding 的框架,通过中间推理步骤结合方面解释和思维链提示的思想生成解释,以解决现有模型在零 - shot 解释上的困难。
Dec, 2023
StoryGPT-V 使用潜在扩散和大语言模型的优点,生成具有一致且高质量角色的图像,通过解决指代消解和对上下文的理解来提高生成准确性和忠实度。模型在视觉故事可视化上表现优异,并具有较低的内存消耗。
Dec, 2023
自动生成游戏情节提升了玩家的体验,通过提供丰富而沉浸式的叙述体验,适应玩家的操作。我们提出了一种新的情节创作工作流程,通过使用大型语言模型驱动虚拟角色的行为,导入作者的意图并创造出根据游戏世界状态动态适应的故事,最终实现了作者、角色模拟和玩家共同创作的故事。
May, 2024
最近,关于利用大型语言模型 (LLM) 自动生成儿童教育材料的概念变得越来越现实。本研究先考察了几种流行的 LLM 的能力,以生成词汇和可读性适合儿童的故事。然后,通过开发一个基于儿童故事领域的数据集,研究了最先进的词汇简化模型在儿童故事材料上的适用性,并通过适当的微调使其性能得以提升。
Oct, 2023
通过引入带有行动指导的双大模型反馈环路,我们的研究提出了一种创新的故事叙述方法 SWAG,它将故事撰写简化为一个搜索问题,在 GPT-4 和人工评估中,我们的结果显示 SWAG 在超过 GPT-3.5-Turbo 的情况下显著优于以前的端到端故事生成技术。
Feb, 2024