XiaoMi-AI文件搜索系统
World File Search SystemTexts
航空系统：综合航空价值链管理（Springer 商业和经济学文本）
# Springer-Verlag Berlin Heidelberg 2011 本作品受版权保护。保留所有权利，无论涉及全部还是部分材料，具体而言是翻译、重印、重新使用插图、朗诵、广播、以缩微胶片或任何其他方式复制以及存储在数据库中的权利。 仅根据 1965 年 9 月 9 日现行版本的德国版权法的规定，才允许复制本出版物或其中的部分内容，并且必须始终获得 Springer 的使用许可。违反者将根据德国版权法受到起诉。 本出版物中使用的一般描述性名称、注册名称、商标等并不意味着（即使在没有具体声明的情况下）这些名称不受相关保护法律和法规的约束，因此可以自由使用。
medblip：3D医学图像和文本
摘要。视觉语言预处理（VLP）模型已在众多计算机视觉应用中被证明。在本文中，我们基于图像扫描和电子健康记录中的文本介绍，为医疗领域开发VLP模型，以促进计算机辅助诊断（CAD）。为了实现这一目标，我们介绍了MedBlip，这是一种轻巧的CAD系统，该系统启动了从架子冻结的预训练的图像编码器和大型语言模型中启动VLP。我们合并了一个MEDQFormer模块，以弥合3D医学图像和2D预训练的图像编码器和语言模型之间的差距。为了评估MEDBLIP的有效性，我们从五个公共阿尔茨海默氏病（AD）数据集中收集了30,000多个图像量：ADNI，NACC，OASIS，OASIS，AIBL和MIRIAD。在这个大规模的广告集中，我们的模型在健康，轻度认知障碍（MCI）和AD主题的零摄像分类中表现出了令人印象深刻的表现，并且还显示了其在M3D-VQA-AD数据集中的医学视觉问题An-Swering（VQA）中的能力。代码和预训练模型可在https://github.com/qybc/medblip上找到。
增强图书馆和信息中心：数字时代的文本和图像识别的有效方法
Osunkentan，Oladotun Ayowumi和Morakinyo，Peace Caleb，“增强图书馆和信息中心：数字时代的文本和图像识别的有效方法”（2024年）。 图书馆哲学和实践（电子杂志）。 8193。https://digitalcommons.unl.edu/libphilprac/8193Osunkentan，Oladotun Ayowumi和Morakinyo，Peace Caleb，“增强图书馆和信息中心：数字时代的文本和图像识别的有效方法”（2024年）。图书馆哲学和实践（电子杂志）。8193。https://digitalcommons.unl.edu/libphilprac/8193
一种具有自主规则学习和利用图像或文本进行泛化能力的人工智能非图灵计算机架构
自现代计算机历史开始以来，图灵机一直是大多数计算设备的主导架构，它由三个基本组件组成：用于输入的无限磁带、读写头和有限控制。在这种结构中，读写头可以读取的内容（即比特）与其写入/输出的内容相同。这实际上不同于人类思考或进行思维/工具实验的方式。更准确地说，人类在纸上想象/书写的是图像或文本，而不是它们在人脑中所代表的抽象概念。这种差异被图灵机忽略了，但它实际上在抽象、类比和概括中起着重要作用，而这些对于人工智能至关重要。与这种架构相比，所提出的架构使用两种不同类型的读写头和磁带，一种用于传统的抽象比特输入/输出，另一种用于特定的视觉输入/输出（更像是一个屏幕或一个带有摄像头观察它的工作区）。抽象比特与具体图像/文本之间的映射规则可以通过卷积神经网络、YOLO、大型语言模型等神经网络实现，准确率较高。作为示例，本文介绍了新的计算机架构（我们在此简称为“任氏机”）如何自主学习特定域中的乘法分配属性/规则，并进一步使用该规则生成一种通用方法（混合在抽象域和特定域中）来计算基于图像/文本的任意正整数的乘法。
使用图像或文本
自现代计算机历史记录的开始以来，图灵机一直是大多数计算设备的主要体系结构，其中包括三个基本组件：无限磁带用于输入，读/写头和有限的控制。在此结构中，头可以读取的内容（即位）与已编写/输出的内容相同。这实际上与人类思考或思考/工具实验的方式不同。更确切地说，人类在纸上想象/写作是图像或文本，它们不是他们在人脑中所代表的抽象概念。Turing Machine忽略了这种差异，但实际上在抽象，类比和概括中起着重要作用，这在人工智能中至关重要。与此体系结构相比，所提出的体系结构使用两种不同类型的头部和磁带，一种用于传统的抽象位输入/输出，另一个用于特定的视觉（更像是屏幕或带有相机观察的屏幕或工作区）。抽象位和特定图像/文本之间的映射规则可以通过卷积神经网络，Yolo，大语言模型等神经网络实现，其精度很高。为例，本文介绍了新的计算机体系结构（为简单起见，我们称为“ Ren Machine”）如何自主地学习特定领域中的分布属性/多重规则，并进一步使用该规则来生成一般方法（在抽象领域和特定领域中混合使用），以计算基于图像/图像/图像的任何正面整体的MUL-PISTICATION）。机器的强推理能力也证实了在平面几何形状中的定理中。此外，提出了一种基于REN机器的机器人体系结构，以解决视觉语言行动（VLA）模型在不合适的推理能力和高计算成本中所面临的挑战。
研究论文信息从具有生成预训练的变压器模型的临床文本中提取
目的：由于其非结构化的性质，处理和分析临床文本具有挑战性。本研究比较了GPT（生成预训练的变压器）-3.5和GPT-4的性能，用于从临床文本中提取信息。材料和方法：将三种类型的临床文本包含患者特征，病史和临床测试结果从开放式期刊中的病例报告中提取的临床测试结果被用作输入。随后，使用贪婪方法作为解码策略将包含信息提取查询的简单提示应用于两个模型。当GPT模型在某些任务中的表现不佳时，我们将使用特定于任务定义的替代解码策略或合并提示。将GPT模型产生的输出评估为真或错误，以确定信息提取的准确性。结果：从60个病例报告中提取了包含患者特征（60个文本），病史（50个文本）和临床测试结果（25个文本）的临床文本。GPT模型可以通过简单提示准确提取信息，以从临床文本中提取直接信息。与GPT-4相比，GPT-4的准确率明显更高（95％），而GPT-3.5（70％）。GPT-3.5（78％）在提取体重指数（BMI）中的表现优于GPT-4（57％）。利用性行为和BMI的替代解码策略并不能实际改善这两种模型的性能。在GPT-4中，修订的提示（包括每个性别类别的定义）或BMI公式的定义，纠正了所有关于在主要工作流程中产生的性别和BMI的不正确响应。结论：GPT模型可以通过简单提取直接信息的简单提示来充分发挥作用。对于复杂的任务，将特定于任务的定义纳入提示是一种合适的策略，而不是仅依靠简单的提示。因此，研究人员和临床医生应使用其专业知识来创建有效的提示，并在从临床文本中提取复杂信息时监控LLM结果。
如何引用人工智能生成的文本
方括号“[...]”。这可能是必要的，例如，如果 AI 包含不存在或不正确的来源，则应将其删除。如果直接引用的 AI 生成文本中的参考资料被更正或补充，则应添加作者的姓名首字母。工程学（使用标准引用的数字系统）：“AI 生成文本 […] AI 生成文本 [1，由 HC 补充] AI 生成文本” [OpenAI，2023，提示号1] 自己的文本经济学（带有标准引用详细信息）：“AI 生成文本 […] AI 生成文本 [cf.Mustermann，2017 年，第1，由HC补充] AI生成的文本” (OpenAI，2023，提示号1) 自己的文本 在经济学中，方括号也用于表示遗漏或添加，与标记直接引用中更改的标准一致。使用“cf.”是必要的，因为AI生成的文本中引用的来源通常不是AI逐字引用的。最多，补充来源的内容是重新表述的。注意：AI生成的文本通常包括虚构或“幻觉”来源，应仔细验证。3.在解释完全由AI生成的文本（即间接引用）时，应该
探索在财务文本中回答的多语言和生成大语言模型的有效性
本文研究了Fincausal 2025共享任务中使用大型语言模型（LLMS）进行财务因果关系检测，这是对生成和多语言问题答案（QA）任务的努力。我们的研究采用了生成性和歧视方法，利用GPT-4O用于生成质量质量质量和基本基础式的，XLM-ROBERTA-LARGE和XLM-ROBERTA-BASE，用于跨英语和西班牙数据集的多语言质量检查。数据集由财务披露组成，问题反映了因果关系，并与直接从文本得出的提取答案配对。使用序列答案相似性（SAS）和精确匹配（EM）指标进行评估。虽然XLM-Roberta-large模型取得了最佳总体表现，但在English中排名第五（SAS：0.9598，EM：0.7615），西班牙语中排名第四（SAS：0.9756，EM：0.8084），在11个团队中，我们的结果也很高，在11个团队中，也可以强大的结果。值得注意的是，GPT-4O在几乎没有的设置中取得了令人鼓舞的结果，SAS得分接近了微调判别模型的分数，表明尽管缺乏特定于任务特定的微调，但生成性的AP可以提供竞争性能。此比较强调了一般LLM作为强大的多功能替代方案的潜力，用于复杂的质量质量质量质量因果关系检测。
生成人工智能的因果表征学习：应用于文本治疗
有军事背景的候选人简历 安东尼·希金斯出生于特拉华州纽卡斯尔县红狮百户区。他就读于纽瓦克学院和特拉华学院，1861 年毕业于耶鲁学院，在校期间是骷髅会成员。在哈佛法学院学习法律后，他于 1864 年取得律师资格，开始在特拉华州威尔明顿执业。1864 年，他还在美国陆军服役过一段时间。 无军事背景的候选人简历 本杰明·塔潘出生于马萨诸塞州北安普敦，是本杰明·塔潘和莎拉 (霍姆斯) 塔潘的第二个孩子和长子，莎拉是本杰明·富兰克林的侄孙女。他的两个弟弟是废奴主义者亚瑟·塔潘和刘易斯·塔潘。他在北安普敦的公立学校就读，年轻时前往西印度群岛。他当过印刷工和雕刻师学徒，还随吉尔伯特·斯图尔特学习绘画。 1799 年，他在康涅狄格州哈特福德学习法律，并取得律师资格。同年晚些时候，他搬到了康涅狄格西储区，并于 1808 年建立了现在的俄亥俄州拉文纳村。1801 年 3 月 20 日，他与约翰·C·赖特（国会议员）的妹妹南希·赖特结婚，约翰·C·赖特后来成为俄亥俄州的美国众议院议员。他们有一个儿子本杰明，出生于 1812 年。5 / 21
书籍级长文本的可读性评估
在实际教育应用中，广泛需要对书籍级长文本进行可读性评估。然而，目前大多数研究都集中在段落级可读性评估，对超长文本的处理工作很少。为了更好地处理长序列的书籍文本并利用难度知识增强预训练模型，我们提出了一种新颖的模型 DSDR、难度感知片段预训练和难度多视图表示。具体来说，我们将所有书籍分成多个固定长度的片段，并采用无监督聚类来获得难度感知片段，这些片段用于重新训练预训练模型以学习难度知识。因此，长文本通过对具有不同难度级别的多个片段向量进行平均来表示。我们构建了一个新的儿童分级读物数据集来评估模型性能。我们提出的模型取得了令人满意的结果，优于传统的 SVM 分类器和几种流行的预训练模型。此外，我们的工作为书籍级可读性评估建立了一个新的原型，为未来相关研究提供了重要的基准。