研究方法与联系

模型如何决策、
生成与学习。

七篇导读介绍语言模型的决策机制：提示决策树、序列能量、概率注意力、结构化解码、文本评估、可学习渲染，以及训练过程中的交互干预。

从具体例子出发，理解方法的原始论文及其与当前研究的联系。

从问题、概率分布到候选输出的路径。

理解方法背后的思路。

七个主题 · 原始论文与当前研究

学习程序结构与提示词

Tree Prompting 如何学习由语言模型提示调用组成的决策树，以及它与 Aug-Tree、GPTree 和 Agentic Classification Tree 的联系。

全局序列模型

Residual Energy-Based Models for Text Generation 将序列级能量、噪声对比估计和重要性重采样联系起来，并与基于能量的扩散语言模型直接相连。

面向并行生成的联合模型

Cascaded Text Generation 和 Sequence-to-Lattice 如何连接高阶条件随机场、联合扩散解码，以及用于投机生成的候选格。

概率注意力与隐变量推断

Latent Alignment and Variational Attention：注意力的概率分布、类别与狄利克雷对齐、边缘化和后验推断。

篇章连贯性、共指与叙事评估

潜在空间中的模型检验如何超越词元层面的流畅度，评估生成文本的篇章结构、实体行为与主题关系。

从标记语言到图像的扩散模型

用扩散模型学习渲染数学公式、分子、表格布局和乐谱，并通过 Scheduled Sampling 处理暴露偏差。

反馈驱动的神经网络优化

Interactive Training 将实时指标与人和 LLM 对训练任务的干预相连；第二版加入带类型的控制项和有序操作日志。

沿着研究问题深入

比较不同方法如何表示问题、从数据中学习，以及选择预测结果。

使用参考文献

查阅完整作者名单与论文原文，下载 BibTeX 或 CSL JSON 引用，或阅读 Markdown 导读。