SG-Layout: Structured Scene Graph-Guided Layout Generation with LLMs
Chongqing University(重庆大学)
SG-Layout通过两阶段训练将结构化空间知识融入LLMs,在三类任务中提升了空间推理与几何一致性,尤其适配关系密集的复杂场景。
2026-08-04 cs.AI cs.CV
Beyond Direct Generation: A Decomposed Approach to Well-Crafted Screenwriting with LLMs
Alibaba Group(阿里巴巴集团);Peking University(北京大学)
本研究提出双阶段细化框架,通过分解生成方法提升LLM在剧本创作中的表现,实现高质量剧本生成。
2026-01-07 cs.AI cs.CL
Content-Aware Ad Banner Layout Generation with Two-Stage Chain-of-Thought in Vision Language Models
Institute of Science Tokyo(东京科学研究所);HAKUHODO Technologies Inc.(HAKUHODO技术公司)
本文提出基于视觉语言模型的双阶段链式思考方法,用于生成高质量的广告布局,通过分析背景图像内容来提升布局质量。
2025-12-14 cs.AI cs.CV
The Story Shapes the Agent: Narrative Priors in LLM Behavior
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);North Carolina State University(北卡罗来纳州立大学)
研究探索大语言模型行为中叙事框架的影响,通过构建游戏识别叙事先验,发现其解释行为方差能力强且与任务成功相关,还明确跨叙事角色效应源于行为锚点,框架可推广并产生改进跨叙事转移的角色选择方法。
2026-07-22 cs.AI cs.CL
Retell, Reward, Repeat: Reinforcement Learning for Narrative Theory-Informed Story Retelling
University of New South Wales(新南威尔士大学)
提出RRR强化学习框架,结合结构主义叙事学与标量叙事性,通过d-RLAIF从文本特征中获取训练信号,无需参考输出,提升LLM故事复述的逻辑性、合理性和完整性。
2026-10-14 cs.AI cs.CL
Fine-Grained Modeling of Narrative Context: A Coherence Perspective via Retrospective Questions
Pattern Recognition Center, WeChat AI(腾讯微信AI模式识别中心);Tencent(腾讯)
提出细粒度叙事上下文建模方法NarCo,通过LLMs两阶段提示构建包含回顾性问题的图来显式捕捉任务无关的连贯性依赖,在边关系效能、局部上下文丰富化和QA等任务中均展现效用。
2024-06-04 cs.CL cs.LG
Plug-and-Play Dramaturge: A Divide-and-Conquer Approach for Iterative Narrative Script Refinement via Collaborative LLM Agents
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Tencent(腾讯)
本文提出Dramaturge方法,通过分层多个LLM代理,解决长叙事脚本优化中的全局结构问题和局部细节问题,提升脚本整体质量和细节。
2026-04-21 cs.AI
Think Before You Act: A Two-Stage Framework for Mitigating Gender Bias Towards Vision-Language Tasks
East China Normal University(华东师范大学);Georgia Institute of Technology(佐治亚理工学院);Shanghai Key Laboratory of Trustworthy Computing(上海可信计算重点实验室)
针对视觉语言模型中的性别偏见问题,提出任务无关的两阶段框架GAMA,通过生成性别模糊叙事并整合图像与问题提示进行答案推断,有效缓解偏见并展现良好泛化能力。
2024-05-27 cs.AI cs.CV
CliniCIRCA: A Modular LLM Framework for Constructing Longitudinal Mental Health Patient Journeys from Raw EHR Narratives
Georgia Institute of Technology(佐治亚理工学院);University of Texas at Austin(德克萨斯大学奥斯汀分校);Northwell Health(诺斯韦尔健康)
CliniCIRCA是一个多阶段LLM框架,用于从非结构化EHR叙事中重建纵向心理健康患者轨迹,通过时间分类和总结,生成时间线并提升事件提取与总结性能。
2026-09-18 cs.AI cs.CL cs.IR
TraceMem: Weaving Narrative Memory Schemata from User Conversational Traces
The University of Hong Kong(香港大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));Nankai University(南开大学)
TraceMem通过三阶段流程从用户对话轨迹中编织叙事记忆图式,提升多跳和时间推理能力。
2026-02-10 cs.CL
PANDA: An LLM-Enhanced Performance-Driven Analog Design Framework Bridging Design Intent and Layout Generation
School of Integrated Circuits, Peking University(集成电路学院,北京大学);Beijing Advanced Innovation Center for Integrated Circuits(北京集成电路先进创新中心);Institute of Electronic Design Automation, Peking University(电子设计自动化研究所,北京大学)
提出PANDA框架,利用大语言模型将高层设计意图转化为最终版图,通过引导拓扑综合、子结构感知尺寸优化和约束驱动版图生成,实现跨阶段协同设计,将设计周期从数天/周缩短至数小时并提升性能。
2026-06-16 cs.AI cs.AR
ERNIE-Layout: Layout Knowledge Enhanced Pre-training for Visually-rich Document Understanding
Baidu Inc.(百度公司);Zhejiang University(浙江大学)
近年来,在视觉丰富的文档理解中,预训练技术的兴起和成功。然而,大多数现有的方法缺乏系统的挖掘和利用的布局为中心的知识,导致次优性能。在本文中,我们提出了ERNIE-Layout,一种在整个工作流程中增强布局知识的新型文档预训练解决方案,以学习更好的表示,结合文本,布局和图像的特征。具体来说,我们首先在序列化阶段重新排列输入序列,然后提出一个相关的预训练任务,阅读顺序预测,学习正确的阅读顺序的文件。为了提高模型的布局意识,我们将空间感知的分离注意力集成到多模态Transformer中,并将替换区域预测任务集成到预训练阶段。实验结果表明,ERNIE-Layout在各种下游任务上实现了卓越的性能,在关键信息抽取、文档图像分类和文档问答数据集上设置了新的最先进技术。代码和模型可在http://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/ernie-layout上公开获取。
2022-10-14 cs.AI cs.CL
Collective Critics for Creative Story Generation
Artificial Intelligence Graduate School, UNIST(蔚山科学技术院人工智能研究生院)
本文提出CritiCS框架,通过多LLM批评者与领导者协作的多轮修订机制,在保持叙事连贯性的同时提升长篇故事生成的创意性与读者参与度,并支持人机交互式写作。
2024-10-03 cs.AI cs.CL
CreAgentive: An Agent Workflow Driven Multi-Category Creative Generation Engine
Sichuan University(四川大学);Beijing Normal University(北京师范大学)
本文提出 CreAgentive,通过基于知识图谱的 Story Prototype 与三阶段多智能体工作流,解决大模型创意写作中的体裁、长度、连贯性和结构限制。
2025-09-30 cs.CL
Co-DSL: Human-LLM Co-design of Reusable Spatial Concepts for Layout Generation
Stanford University(斯坦福大学)
Co-DSL是用户与LLM协同设计可复用空间概念的框架,通过两阶段流程实现布局生成,能捕捉现有系统难以实现的布局模式,支持用户探索相关布局分布。
2026-10-14 cs.AI cs.CV cs.GR
Automatic Truss Design with Reinforcement Learning
Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海期智研究院);Tongji University(同济大学)
本文提出两阶段框架AutoTruss,结合蒙特卡洛树搜索与强化学习,解决物理约束下桁架布局设计的稀疏奖励与组合优化难题,在3D测试中超越最佳布局25.1%。
2023-06-27 cs.AI cs.LG
Infinity Parser: Layout Aware Reinforcement Learning for Scanned Document Parsing
INFLY Tech(INFLY科技);Australian Artificial Intelligence Institute(澳大利亚人工智能研究所);University of Liverpool(利物浦大学)
针对扫描文档解析中多阶段流水线误差传播和版面适应性不足的问题,提出 layoutRL 强化学习框架与 Infinity-Parser,并基于 Infinity-Doc-55K 在中英文多项任务上达到最先进水平。
2025-10-21 cs.AI cs.CL cs.CV
Reframe Your Life Story: Interactive Narrative Therapist and Innovative Moment Assessment with Large Language Models
Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence(北京交通大数据挖掘与具身智能重点实验室);Beijing Jiaotong University(北京交通大学);CoAI Group(CoAI集团);DCST(国防科技大学);IAI(人工智能院);BNRIST(北航机器人与智能技术研究院);Tsinghua University(清华大学);Tencent Jarvis Lab(腾讯Jarvis实验室);Singapore University of Technology and Design(新加坡科技与设计大学);Central South University(中南大学);Lingxin AI(灵犀AI)
本文提出包含INT(交互式叙事治疗师)和IMA(创新时刻评估)的综合框架,通过模拟专家治疗和追踪关键叙事转变量化疗效,在治疗质量与深度上显著优于标准LLMs。
2025-09-12 cs.CL
DeCoR: Design and Control Co-Optimization for Urban Streets Using Reinforcement Learning
University of Tennessee, Knoxville, TN, USA(田纳西大学,诺克斯维尔分校);University of North Carolina at Charlotte, Charlotte, NC, USA(北卡罗来纳大学夏洛特分校);University of California, Riverside, CA, USA(加州大学河滨分校)
本文提出DeCoR框架,通过强化学习联合优化城市街道的过街横道布局和网络级信号控制,减少了行人到达最近过街横道的时间,并显著降低了行人和车辆等待时间。
2026-05-20 cs.AI cs.LG
Narrative Weaver: Towards Controllable Long-Range Visual Consistency with Multi-Modal Conditioning
Peking University(北京大学);Kuaishou Technology(快手科技)
Narrative Weaver通过整合精细控制、自动叙事规划和长程一致性,解决生成AI中多模态可控、长程且一致的视觉内容生成问题,提出首个综合解决方案并构建首个电商广告视频脚本数据集。
2026-03-13 cs.AI cs.CV
Co-Layout: LLM-driven Co-optimization for Interior Layout
本文提出基于大语言模型和整数规划的联合优化方法,用于提升室内布局和家具摆放的自动化设计效率与质量。
2026-03-06 cs.CL cs.CV cs.GR
Think, Plan, Paint: Layout-Aware Reasoning for Controllable Image Generation in Unified Models
Tencent(腾讯);Peking University(北京大学)
研究针对统一多模态大语言模型在可控图像生成中难以遵循复杂空间指令的问题,提出ATLAS框架,采用“思考、规划、绘制”范式及布局共享表示,经强化学习提升性能,在图像生成等任务中效果显著,还支持相关编辑与多模态基础,并引入评估基准。
2026-07-21 cs.AI cs.CV cs.LG
Large Language Models Understand Layout
Zhejiang Lab(之江实验室);China Mobile, Hangzhou Research and Development Center(中国移动杭州研发中心)
本文发现大型语言模型能处理由空间标记表示的文本布局,具备显式空间感知与推理能力,且该能力源于预训练编码数据并可通过指令微调及新型文字游戏生成的数据增强,有助于构建高效的视觉问答系统。
2024-08-28 cs.CL
NARU: A Benchmark for NARrative Evolution and Cultural Nuance Understanding in Japanese Extreme Long Video
The University of Tokyo(东京大学);Kyushu University(九州大学);Macau University of Science and Technology(澳门科技大学);Infinimind Japan Inc.(Infinimind日本公司);University of Alberta(阿尔伯塔大学)
该研究推出NARU基准,涵盖155个146.8小时日语视频的1481个问题,评估模型在长程叙事整合与文化推理上的局限,为MLLM开发提供测试平台。
2026-08-14 cs.AI cs.CV cs.MM
Layout-Aware Parsing Meets Efficient LLMs: A Unified, Scalable Framework for Resume Information Extraction and Evaluation
Hangzhou City University(杭州市大学);Alibaba Group(阿里巴巴集团);Zhejiang Lab(浙江实验室);Alibaba Cloud(阿里云);Northeastern University(东北大学)
提出统一可扩展的简历信息抽取与评估框架,结合布局感知解析与高效LLM,在保证高准确率的同时显著降低推理成本,已部署于阿里巴巴智能HR平台。
2025-10-10 cs.AI cs.CL cs.CV
StageDesigner: Artistic Stage Generation for Scenography via Theater Scripts
Fudan University(复旦大学);Shanghai University(上海大学);Shanghai Theatre Academy(上海戏剧学院)
本文提出 StageDesigner 框架,结合大语言模型与布局控制的扩散模型,通过剧本分析、前景与背景生成三个模块实现沉浸式 3D 艺术舞台场景生成,并构建 StagePro-V1 数据集验证其有效性。
2025-03-04 cs.AI cs.CV
AnyHome: Open-Vocabulary Generation of Structured and Textured 3D Homes
Brown University(布朗大学);Shenzhen College of International Education(深圳国际交流学院)
AnyHome框架利用LLMs将文本转化为非模态结构化表示,结合Score Distillation Sampling和自我中心修复技术,生成可编辑、多样化的房屋规模3D室内场景,在定量和定性指标上优于现有方法。
2024-07-29 cs.AI cs.CV cs.GR
From Matching Models to Recruiting Agents: A Systematized Narrative Review of AI Recruitment Systems, Evaluation, and Governance
University of Chinese Academy of Social Sciences(中国社会科学院大学);Southwest University(西南大学)
本综述梳理AI招聘系统从匹配模型到招聘智能体的发展,分析三大转变,指出领域缺口并提出评估映射与系统议程,明确进展评判标准。
2026-09-07 cs.AI
Direct Numerical Layout Generation for 3D Indoor Scene Synthesis via Spatial Reasoning
The University of Hong Kong(香港大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);The Chinese University of Hong Kong(香港中文大学)
DirectLayout利用大语言模型的空间推理,分三阶段直接生成三维室内场景数值布局,通过思维链激活与奖励机制提升泛化,实现语义一致且物理合理的开放词汇布局生成。
2025-10-23 cs.AI cs.CV
A Multi-Stage Hybrid Framework for Automated Interpretation of Multi-View Engineering Drawings Using Vision Language Model
Nanyang Technological University(南洋理工大学)
本文提出一种多阶段混合框架,利用视觉语言模型自动解析多视图工程图,通过布局分割、方向感知检测和语义解析提升工程图解读效率。
2026-01-23 cs.AI cs.CV cs.IR
Narrative Paradoxes in LLM Inference: Shaping Reasoning Trajectories toward Misalignment
School of Electronic, Electrical and Communication Engineering, UCAS(中国科学院大学电子电气与通信工程学院);School of Computer Science and Technology, UCAS(中国科学院大学计算机科学与技术学院);Nanyang Technological University, Singapore(新加坡南洋理工大学);State Key Laboratory of AI Safety, Institute of Computing Technology, CAS(中国科学院计算技术研究所人工智能安全重点实验室);Beijing Academy of Artificial Intelligence(北京智源人工智能研究院);Alibaba Group(阿里巴巴集团)
本文针对LLM推理中局部连贯却全局有害的多步骤推理漏洞,提出PDRA攻击方法,通过构建悖论叙事核心引导模型生成有害内容,在各类LLM上实现高攻击成功率。
2026-11-04 cs.AI
Caught in the Story: Narrative Captivity in Multi-turn LLMs Conversation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Dongbei University of Finance and Economics(东北财经大学)
该研究提出多轮LLM对话中的叙事俘获失效模式,构建含5078个场景的基准,发现17个LLMs中该现象普遍存在,偏移达25个百分点,偏好优化是主因,部分推理策略可缓解,旨在培养具独立判断的LLM顾问。
2026-09-04 cs.AI
SCALE: Self-Supervised Constraint-Aware Layout GEneration for Local P&R DRV Fixing at Advanced Nodes
NVIDIA(英伟达);Duke University(杜克大学)
针对先进节点局部P&R DRV修复难题,提出SCALE框架,通过自监督布局生成、利用自然语言规则约束和高温采样等方法,生成DRC注释布局违规对微调DRC-VLM,有效提升了最先进代理的修复解决率。
2026-07-27 cs.AI cs.CV
DesignSense: A Human Preference Dataset and Reward Modeling Framework for Graphic Layout Generation
MDSR, Adobe(MDSR,Adobe)
DesignSense通过人类偏好数据集和奖励建模框架提升图形布局生成的质量和效果。
2026-02-26 cs.AI cs.CV
Three Stage Narrative Analysis; Plot-Sentiment Breakdown, Structure Learning and Concept Detection
Department of Data Science(数据科学系);Artificial Intelligence, FAST National University of Computer(人工智能,快速国家计算机与新兴科学大学)
针对自然语言理解中的叙事分析难题,本文提出三阶段叙事分析框架,结合自定义情感词典与Ward层次聚类分析电影剧本情感弧、提取叙事概念,实验表明该框架可辅助用户选择叙事内容。
2025-11-14 cs.AI cs.CL
A Multi-Stage Agentic Framework for Effective Counter-Narrative Generation and Refinement
Tel Aviv University(特拉维夫大学);Waseda University(早稻田大学)
本文提出多阶段智能体框架,通过试点实验和多智能体迭代优化生成反叙事,经人类验证和自动化安全分析,证明其能降低亲俄叙事强度并优于基线,为反仇恨言论提供可扩展方案。
2026-09-15 cs.CL cs.CY cs.SI
Specific language impairment (SLI) detection pipeline from transcriptions of spontaneous narratives
Universidad Católica de Argentina (UCA)(阿根廷天主教大学)
本研究提出三阶段级联流程,基于自发叙事转录,利用随机森林、逻辑回归和最近邻分类器,以97.13%准确率检测儿童特定语言障碍,聚焦量化指标。
2024-06-25 cs.CL cs.LG stat.AP
BookSum: A Collection of Datasets for Long-form Narrative Summarization
Salesforce Research(赛富时研究院);Huggingface(抱抱脸);Yale University(耶鲁大学)
大多数可用的文本摘要数据集包括缺乏长期因果关系和时间依赖性的短格式源文档,并且通常包含强烈的布局和风格偏见。虽然相关,但这些数据集将为未来几代文本摘要系统提供有限的挑战。我们通过引入BookSum来解决这些问题,BookSum是一个用于长篇叙述性摘要的数据集。我们的数据集涵盖了文学领域的源文件,如小说、戏剧和故事,并包括高度抽象的人类书面摘要,其粒度分为三个级别,难度不断增加:段落级、章节级和书籍级。我们的数据集的域和结构对摘要系统提出了一系列独特的挑战,其中包括:处理非常长的文档,非平凡的因果和时间依赖关系,以及丰富的话语结构。为了促进未来的工作,我们训练和评估了多个提取和抽象摘要模型作为我们数据集的基线。
2022-12-06 cs.CL
Arithmetic OOD Failure Unfolds in Stages in Minimal GPTs
研究最小GPT在算术外在分布(OOD)失败中的分阶段表现,揭示布局障碍、进位语义、重组和后期十位残差等关键因素。
2026-03-27 cs.CL cs.LG
MTTN: Multi-Pair Text to Text Narratives for Prompt Generation
对扩散模型的兴趣增加为生成式文本建模的进步开辟了机会。这些模型在给出精心制作的提示时可以产生令人印象深刻的图像,但创建一个强大或有意义的提示可能是命中或错过的。为了解决这个问题,我们创建了一个大规模的数据集,它是从真实的提示中派生和合成的,并与流行的图像-文本数据集(如MS-COCO和Flickr)建立了索引。我们还实现了逐步减少上下文并增加复杂性的阶段,由于创建了复杂的注释,这将进一步增强输出。这个名为MTTN的数据集包括超过240万个句子,分为5个阶段,总共有超过1200万对句子,以及超过30万个独特单词的词汇表,提供了丰富的变化。最初的240万对数据集旨在反映全球互联网上使用语言的方式,使数据集对于在其上训练的任何模型都更加强大。
2023-01-29 cs.CL cs.LG
Narrative Knowledge Weaver: Narrative-Centric Retrieval-Augmented Reasoning for Long-Form Text Understanding
Southeast University(东南大学);Beijing Zhongguancun Academy(北京中关村学院);Nanjing Normal University(南京师范大学);ZhuiWen Technology Co., Ltd.(智文科技有限公司)
提出叙事知识编织器(NKW),一种基于源头的框架,通过将文本证据、原子事实、规范图结构、实体档案、交互、情节和故事线对齐,并利用文本、图和叙事工具进行后检索阅读,以解决长文本叙事QA中需要推理演化故事世界的问题,在STAGE、FairytaleQA和QuALITY上表现优异。
2026-06-04 cs.AI cs.CL
VTLayout: Fusion of Visual and Text Features for Document Layout Analysis
University of Chinese Academy of Sciences(中国科学院大学);The Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
文档通常包含复杂的物理结构,这使得文档布局分析(DLA)任务具有挑战性。作为内容提取的预处理步骤,DLA具有大规模捕获历史或科学文档中丰富信息的潜力。尽管许多基于深度学习的计算机视觉方法在从文档中检测\emph{Figure}方面已经取得了优异的性能,但它们在识别DLA中的\emph{List}、\emph{Table}、\emph{Text}和\emph{Title}类别块方面仍然不令人满意。本文提出了一种融合文档的深视觉、浅视觉和文本特征的VTLayout模型来定位和识别不同的类别块。该模型主要包括两个阶段,三个特征提取器建立在内置的第二阶段。在第一阶段,Cascade Mask R-CNN模型直接应用于定位文档的所有类别块。在第二阶段中,深视觉,浅视觉和文本特征提取融合,以确定类别块的文档。因此,我们加强了分类能力的不同类别块的基础上现有的本地化技术。实验结果表明,VTLayout的识别能力优于基于PubLayNet数据集的最先进的DLA方法,F1得分高达0.9599。
2021-08-12 cs.CL cs.IR cs.LG
Order Is Not Layout: Order-to-Space Bias in Image Generation
Renmin University of China, China(中国人民大学);Huazhong Agricultural University, China(华中农业大学);Huazhong University of Science and Technology, China(华中科技大学);Jiangnan University, China(江南大学);Nanchang University, China(南昌大学)
本文研究了图像生成中因文本实体顺序导致的空间布局偏差问题,提出OTS-Bench进行量化评估,并通过微调和干预策略减少该偏差。
2026-03-04 cs.AI cs.CL cs.CV
NapSS: Paragraph-level Medical Text Simplification via Narrative Prompting and Sentence-matching Summarization
University of Warwick(华威大学);King’s College London(伦敦国王学院);Northeastern University(东北大学);The Alan Turing Institute(艾伦·图灵研究所)
医学文献对外行来说很难,因为内容是为专家写的,包含医学术语。自动化文本简化方法提供了解决这个问题的潜在手段。在这项工作中,我们提出了一个总结,然后简化两个阶段的战略,我们称之为NapSS,确定相关的内容简化,同时确保原始的叙述流被保留。在这种方法中,我们首先通过原始摘要和简化摘要之间的句子匹配来生成参考摘要。然后,这些摘要被用于训练提取摘要器,学习最相关的内容以进行简化。然后,为了确保简化文本的叙述一致性,我们合成辅助叙述提示,结合从原文的句法分析得出的关键短语。我们的模型在英语医学语料库上取得了显著优于seq 2seq基线的结果,在词汇相似度方面产生了3%~4%的绝对改善,并且当与基线结合时,SARI分数进一步提高了1.1%。我们还强调现有的评估方法的缺点,并引入新的指标,考虑到词汇和高层次的语义相似性。对测试集的随机样本进行的人类评估进一步确立了所提出的方法的有效性。代码和模型在这里发布:https://github.com/LuJunru/NapSS。
2023-02-11 cs.CL
LayoutLMv2: Multi-modal Pre-training for Visually-Rich Document Understanding
Harbin Institute of Technology(哈尔滨工业大学);Microsoft Research Asia(微软亚洲研究院);Microsoft Azure AI(微软 Azure AI);Soochow University(苏州大学)
文本和布局的预训练已被证明在各种视觉丰富的文档理解任务中是有效的,这是由于其有效的模型架构和大规模未标记扫描/数字生成文档的优势。我们提出了具有新的预训练任务的LayoutLMv 2架构,以在单个多模态框架中对文本、布局和图像之间的交互进行建模。具体来说,通过使用双流多模态Transformer编码器,LayoutLMv 2不仅使用了现有的掩蔽视觉语言建模任务,还使用了新的文本图像对齐和文本图像匹配任务,这使得它在预训练阶段更好地捕获跨模态交互。同时,在Transformer框架中引入了空间感知的自注意力机制,使模型能够充分理解不同文本块之间的相对位置关系。实验结果表明,LayoutLMv 2的性能大大优于LayoutLM,并在包括FUNSD在内的各种下游视觉丰富的文档理解任务上取得了新的最先进的结果(0.7895 $\to$ 0.8420),软电线(0.9493 $\to$ 0.9601),SROIE(0.9524 $\to$ 0.9781)、Kleister-NDA(0.8340 $\to$ 0.8520)、RVL-CDIP(0.9443 $\to$ 0.9564)和DocVQA(0.7295 $\to$ 0.8672)。我们在\url{https://aka.ms/layoutlmv2}上公开了我们的模型和代码。
2022-01-10 cs.CL
Living the Novel: A System for Generating Self-Training Timeline-Aware Conversational Agents from Novels
Shanda AI Research, Tokyo(上海沙达人工智能研究有限公司,东京);The University of Tokyo(东京大学);Dalian University of Technology(大连理工大学)
本文提出Living Novel系统,通过两阶段训练流程解决LLM驱动角色的人设漂移和鲁棒性问题,实现连贯且抗中断的对话体验。
2025-12-08 cs.CL cs.HC