发布了一个 1.63 亿参数的条件变换器语言模型 CTRL，它被训练用于控制由结构派生而来的控制代码来控制风格、内容和任务特定行为，从而提供更明确的文本生成控制。

Sep, 2019

本文介绍 Control-GPT，它通过使用 GPT-4 生成的 TikZ 程序草图来引导扩散型文本到图像管道，从而提高其按照文本指令生成图像的能力，并在空间布置和物体定位方面创造了新的最高水平。

May, 2023

通过使用最新的大语言模型如 GPT-4、Claude 3 Opus 和 Gemini 1.0 Ultra，我们探索了解决本科级控制问题的能力。我们引入了一个名为 ControlBench 的基准数据集，以反映传统控制设计的广度、深度和复杂性，并研究了这些大型语言模型在控制工程环境下的问题解决能力。通过人类专家小组的评估，我们揭示了这些大型语言模型在控制工程中的准确性、推理能力和解释能力，分析了每个大型语言模型在传统控制领域的优势和局限性，结果表明 Claude 3 Opus 已成为解决本科控制问题的最先进的大型语言模型。我们的研究是将人工通用智能应用于控制工程更广泛目标的初步尝试。

Apr, 2024

本研究是一项探索性研究，通过创建 100 个 LLM 提示，测试了控制逻辑生成，旨在提高控制工程师的生产力。

May, 2023

我们介绍了 ControlLLM，这是一个新颖的框架，使得大型语言模型能够利用多模态工具来解决复杂的现实世界任务，通过使用任务分解器、Thoughts-on-Graph（ToG）范式和具备丰富工具箱的执行引擎，在图像、音频和视频处理等多样任务中展示出了超群的准确性、效率和多功能性。

Oct, 2023

本文提出了一种名为 GeLaTo 的方法，使用可解释的概率模型来强制进行文本生成中的词汇约束，通过使用精简的隐性马尔可夫模型控制 Generative Pre-trained Transformer 2（GPT2）的自回归生成，GeLaTo 在 constrained text generation 的 CommonGen 测试效果上大幅度击败了强大的基准模型，并为控制大型语言模型开辟了新的思路，并推动可解释的概率模型的发展。

Apr, 2023

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

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

提出 LLM4PLC 的用户引导迭代流程，通过用户反馈和外部验证工具来改善大型语言模型（LLM）生成的代码的可验证性，提高成功生成的比例并提高代码质量。

Jan, 2024

通过在大型语言模型中引入详细的约束条件，本研究调查了约束文本生成的问题，并对多个语言模型进行了分类和评估，旨在为未来的约束文本生成提供启示。

Oct, 2023