NLP

研究人员提出基于BERT的对话状态追踪框架，实现零样本跨领域泛化，显著提升多任务对话系统扩展性。

研究人员提出自适应多步前瞻解码框架AdaLook，通过动态调整前瞻深度和分支扩展，显著提升扩散语言模型的解码效率与质量平衡。

研究者提出MAPS框架，通过建模多智能体的认知差异与动态记忆，在对话中同时保持个体主观表达与语义对齐，为可解释、人性化的AI对话系统提供新思路。

研究团队系统比较了政治文本缩放任务的多种NLP方法，探讨联合预测能否提升性能，并寻找分类与回归之间的最佳平衡点。

研究者提出 TurnNat，一种基于似然度的自动评估框架，用于衡量双通道口语对话中的轮转自然度，无需依赖人工标注即可识别多种时序异常。

研究团队构建了包含文本、图像和音频的学术论文多模态数据集，实验表明融合多模态信息能有效提升关键词提取性能。

研究发现，仇恨言论数据标注中常见的多数投票机制会掩盖标注者在仇恨与冒犯边界上的分歧，导致模型继承虚假的确定性，影响边界案例的识别准确性。

研究者提出MELD数据集，发现当前主流嵌入模型倾向于根据数学表述的术语而非底层数学逻辑进行分组，并提出对比学习方法提升模型对数学等价性的识别能力。