Auto-CoT自动生成推理链，利用多样性提升LLMs推理性能，超越手工设计。
Zhuosheng Zhang, Aston Zhang, Mu Li 等
研究通过自问方法缩小语言模型的组合性差距，在GPT-3上提高了准确率。
Ofir Press, Muru Zhang, Sewon Min 等
Pix2Struct通过解析网页截图为简化HTML进行预训练，实现视觉语言理解，提升了六项任务的性能。
Kenton Lee, Mandar Joshi, Iulia Turc 等
提出基于内容的深度生成模型检索方法，通过多模态特征匹配优化模型选择。
Daohan Lu, Sheng-Yu Wang, Nupur Kumari 等
本研究分析多语种机器翻译中的添加毒性，采用HOLISTICBIAS数据集和ALTI+解释方法，发现低资源语言和特定人口轴易出现毒性。
Marta R. Costa-jussà, Eric Smith, Christophe Ropers 等
提出metaPNS，基于贝叶斯元学习实现个性化心脏模拟的少样本生成，显著提升预测精度与效率。
Xiajun Jiang, Zhiyuan Li, Ryan Missel 等
Binder框架结合GPT-3 Codex，实现无需训练的神经符号推理，显著提升复杂问答性能。
Zhoujun Cheng, Tianbao Xie, Peng Shi 等
提出统一硬约束框架，解决复杂几何PDE，显著提高精度。
Songming Liu, Zhongkai Hao, Chengyang Ying 等
提出DexGraspNet，基于深度优化的高效合成方法，生成132万多高质量、多样化的机械手抓取数据。
Ruicheng Wang, Jialiang Zhang, Jiayi Chen 等
提出Decomposed Prompting，通过模块化分解复杂任务，超越GPT-3少样本性能。
Tushar Khot, Harsh Trivedi, Matthew Finlayson 等
Phenaki模型通过文本生成任意长度视频，使用因果注意力和双向掩码Transformer。
Ruben Villegas, Mohammad Babaeizadeh, Pieter-Jan Kindermans 等
Bayesian Prompt Learning以变分推断正则化提示空间，在15个基准上提升未见提示泛化。
Mohammad Mahdi Derakhshani, Enrique Sanchez, Adrian Bulat 等
提出FAST模型结合潜在因子与稀疏非参数回归，利用深度ReLU网络实现高维非参数估计。
Jianqing Fan, Yihong Gu
提出HULC++，结合视觉赋能模型，利用少量语言标注实现多任务机器人技能，达成CALVIN基准最优。
Oier Mees, Jessica Borja-Diaz, Wolfram Burgard
DiffDock为分子对接提出扩散生成模型，Top-1成功率达38%，显著优于传统和深度学习方法。
Gabriele Corso, Hannes Stärk, Bowen Jing 等
VICRegL结合全局与局部特征学习，提升检测与分割性能，保持分类表现。
Adrien Bardes, Jean Ponce, Yann LeCun
提出RL4LMs库、GRUE基准和NLPO算法，提升语言模型的偏好对齐效果。
Rajkumar Ramamurthy, Prithviraj Ammanabrolu, Kianté Brantley 等
提出PrOntoQA数据集，系统分析LLMs的推理能力，发现其善于单步推导但难以进行证明规划。
Abulhair Saparov, He He
证明熵正则化最优运输的Schrödinger映射在光滑成本函数下的Lipschitz连续性，涉及多边缘情况。
Guillaume Carlier, Lénaïc Chizat, Maxime Laborde
提出DecAF框架，联合解码逻辑形式与直接答案，基于文本检索实现，达成WebQSP、FreebaseQA等SOTA。
Donghan Yu, Sheng Zhang, Patrick Ng 等