XiaoMi-AI文件搜索系统
World File Search SystemLanguage
双语课程内容和语言分配计划
• 熟悉双语教育的研究和实践，• 让双语教师参与教育目标的制定和实施，• 促进双语教师和主流教师之间的合作，• 聘请来自学生文化的双语员工，• 鼓励双语学生家长的参与，• 支持所有员工参与以新兴双语为重点的专业发展
具有手语和自然语言的双语社交机器人
随着技术的进步，机器人越来越多地进入我们的社会，在教育中找到使用[1] [6]，治疗[4] [3]，娱乐[21]和其他领域。在人类互动和人类机器人互动（HRI）领域中，语音是最友好，最自然的交流方式[20]，它促进了清晰而对话的交流，而语气和情感的表现力则有助于更具吸引力的互动[2]。同时，手势是人类通讯的组成部分，当机器人可以进行基于手势的通信时，它会增强人类与机器人之间的自然性和融洽关系[24] [22]。手势提供了视觉维度，补充语音以传达信息[9]，表达情绪[8]和指导动作[10]，使机器人更像人性化和引人入胜[19]。共同创造了更直观和相关的HRI体验。然而，当聋人在场时，言语和手势可能被证明是无效的交流手段。gibson [5]说明，在一个感觉系统中遇到损害的个体通常会提高替代感官渠道作为补偿机制的熟练程度。这种现象被称为感觉补偿，这意味着耳聋的人可能表现出视觉和触觉方式的灵敏度提高。在许多国家 /地区，手语是听力损失的人的第一语言[11]。因此，在同时聋哑人或听力障碍和非聋子的情况下，可以以自然语言进行交流的机器人具有重要意义。它可以帮助弥合那些主要使用口语语言的人与依靠手语的人之间的沟通差距，使每个人都可以有效地互动并参与各种社会，教育和专业背景。本文介绍了一项初步研究，旨在在胡椒机器人的平板电脑上展示带有手语和字幕的化身，同时使胡椒能够说出带有伴随的手势的自然语言，因为机器人的自由度限制了我们直接使用它的手语言。机器人通信系统的多模式性质可确保它可以满足不同的受众群体的需求，从而适应手语用户和熟练口语的个人。
量子自然语言处理在语言翻译中的应用
Mina Abbaszade 1，Vahid Salari 2,3,4，Seyed Shahin Mousavi 5，Mariam Zomorodi 6,7和Xujuan Zhou 8和Xujuan Zhou 8，（IEEE）1物理学系，ISFAHAN INSECOPYRINES，ISFAHAN INSECOPLIONS，ISFAHAN ISTOCHEL，ISFAHAN 84156-833111，IRAN 2 BASID SASID中心，伊斯兰教）西班牙比尔巴奥3日3物理化学系，巴斯克大学UPV/EHU，48080西班牙，西班牙4量子生物学实验室，霍华德大学，华盛顿特区，20059年，美国5纯数学系Mashhad 91779-4897，伊朗7计算机科学系，计算机科学与电信学院，克拉科夫技术大学计算机科学和电信学院，波兰81-155，波兰8号商学院，南昆士兰州大学，苏格兰大学，苏格兰校园，斯普林德校园，斯普林德尔德，澳大利亚，澳大利亚，澳大利亚，
2024.yrrsds-1.pdf
尚不清楚大型语言模型（LLM）是否在语言使用中发展了类似人类的特征。我们将Chatgpt和Vicuna进行了12个预先注册的心理语言实验，从声音到对话。Chatgpt和Vicuna分别在12个实验中分别复制了人类的语言使用模式。模型将不熟悉的单词与不同的含义相关联，取决于其形式，继续访问最近遇到模棱两可的单词的含义，重复使用的最近的句子结构，将因果关系归因于动词语义的函数，并访问了不同的含义，并根据对话者的身份访问了不同的含义并检索了不同的单词。此外，chatgpt而不是维库纳（Vicuna），非文字解释的令人难以置信的句子可能因噪音而损坏，提出合理的推论以及句子中被忽视的语义谬误。最后，与人类不同，这两种模型都不喜欢使用较短的单词来传达信息较少的内容，也没有使用上下文来解决句法歧义。我们讨论了这些融合和差异如何由变压器体系结构产生。总的来说，这些实验表明，在人类语言处理的许多方面，LLM（和Vicuna等LLM）在人类语言处理的许多方面都像人类一样。
大型语言模型是否反映认知语言处理？
大型语言模型 (LLM) 在文本理解和逻辑推理方面表现出了卓越的能力，这表明 LLM 学习到的文本表征可以促进其语言处理能力。在神经科学中，大脑认知处理信号通常用于研究人类的语言处理。因此，很自然地会问 LLM 的文本嵌入与大脑认知处理信号的对齐程度如何，以及训练策略如何影响 LLM-大脑对齐？在本文中，我们使用表征相似性分析 (RSA) 来测量 23 个主流 LLM 与大脑 fMRI 信号之间的对齐程度，以评估 LLM 对认知语言处理的模拟效果。我们通过实证研究了各种因素（例如，训练前数据大小、模型缩放、对齐训练和提示）对这种 LLM-大脑对齐的影响。实验结果表明，预训练数据大小和模型缩放与 LLM-大脑相似性呈正相关，1 而对齐训练可以显著提高 LLM-大脑相似性。明确的提示有助于 LLM 与大脑认知语言处理的一致性，而无意义的噪声提示可能会削弱这种对齐。此外，各种 LLM 评估（例如 MMLU、Chatbot Arena）的表现与 LLM-大脑相似性高度相关。
大脑与语言 - UZH
摘要：同声传译是一项复杂的任务，工作量很大。为了证实这种关联，我们利用脑电图和自我评估，对四组具有不同同声传译经验的参与者在三个越来越复杂的任务（聆听、跟读和口译）中测量了工作量。自我评估数据显示，与经验较少的参与者相比，专业口译员认为工作量最大的条件，即口译任务，要求较低。非口译员主观感知的工作量较高，同时额叶 θ 功率值从聆听到口译逐渐增加，而专业口译员的这种调节不太明显。此外，就这两项工作量测量而言，实习口译员处于专业口译员和非口译员之间。由于非口译员也表现出较高的第二语言熟练度和丰富经验，我们的研究结果为口译培训对同声传译期间经验丰富的工作量的影响提供了证据。
11masked语言模型
让我们首先讨论整体体系结构。基于双向变压器的语言模型在两种方式上与前几章中的因果变压器不同。首先是注意功能不是因果关系。我可以考虑以下令牌i + 1等。第二个是训练略有不同，因为我们在文本的中间预测了某些东西，而不是最后。我们将在此处讨论第一个和下一节中的第二个。图11.1 A，从第9章复制在此处，显示了第9章的左右方法中的信息流。每个令牌上的注意力计算基于上述（和当前）输入令牌，忽略了所考虑的令牌右侧的潜在有用信息。双向编码器通过允许注意机制在整个输入中进行范围来超越此限制，如图11.1 b。11.1 b。
语言量化自动编码器
在扩大大型语言模型方面的最新进展表现出令人印象深刻的能力，可以在各种自然语言任务中进行几次学习。但是，一个关键的限制是，这些语言模型从根本上缺乏视觉感知的基础 - 扩展到现实世界任务所需的关键属性，例如在视觉问题上的答案和机器人技术中。虽然先前的作品在很大程度上通过预处理或微调将图像与文本联系在一起，但由于结合了策划的大量数据集和较大的计算负担，学习对齐方式通常是昂贵的。In order to resolve these limitations, we propose a simple yet effective approach called L anguage- Q uantized A uto E ncoder (LQAE), a modification of VQ-VAE that learns to align text-image data in an unsupervised manner by leveraging pretrained language model denoisers ( e .g .bert）。我们的主要思想是通过使用验证的语言代码簿直接量化图像嵌入来编码图像作为文本令牌的序列。然后，我们将量化嵌入的蒙版版本送入BERT，以重建原始输入。这样做，LQAE学会了用相似的文本令牌表示相似的图像，从而在不使用对齐的文本图像对的情况下对齐这两种方式。我们向LQAE显示了学习文本对准图像令牌，这些图像令牌可以通过大型语言模型启用几示多式模式学习，在诸如图像分类和VQA等任务中的基线方法优于基线方法，同时需要1-10张图像 - text Pairs 1。
