赛尔原创@COLING24 ｜即插即用！自动提取领域相关特征提升泛化能力

现有的跨域文本分类方法往往忽视了领域感知特征的重要性，只关注提取领域不变特征或任务无关特征。我们提出的自监督蒸馏方法通过在目标域中利用未标记数据来捕获领域感知特征，从而提高模型在目标域上的性能。

哈工大SCIR 20篇长文被ACL 2024主会/Findings录用

ACL 2024 将于2024年8月11-16日在泰国曼谷举行。ACL年会是计算语言学和自然语言处理领域最重要的顶级国际会议，CCF A类会议，由计算语言学协会主办，每年举办一次。其接收的论文覆盖了对话交互系统、语义分析、摘要生成、信息抽取...

青春的选择丨哈工大这个团队立于生成式AI潮头！

哈工大社会计算与信息检索博士生团队荣获哈工大学生五四奖章。

赛尔原创@COLING24 ｜无需标注即可增强模型 COT 能力

在使用包含推理步骤的数据进行训练后，模型能够获得更强的推理能力。然而， 由于高标注成本， 拥有高质量推理步骤的数据集相对稀缺。为解决这个问题， 我们提出了自我激励学习框架来增强LLM的推理能力

赛尔原创@COLING2024 | 人工智能助手API调用能力的动态评估方法

论文名称：Beyond Static Evaluation: A Dynamic Approach to Assessing AI Assistants’ API Invocation Capabilities 论文作者：牟虹霖，徐阳，冯云...

赛尔原创@COLING2024 | 面向编程的自然语言处理综述

本文围绕编程语言的两大核心特点：结构性和功能性，系统梳理了将自然语言处理技术应用于编程领域的研究进展，内容涵盖任务定义、数据集构建、评估方法、关键技术以及代表性模型等诸多方面，以期为读者全面展现这一新兴交叉领域的研究现状。

赛尔原创@COLING2024 | LM-Combiner：通过模型改写实现更精准的语法纠错

语法纠错旨在识别并纠正文本中的常见语法错误。前人方法需要较多的计算资源并且损失了一部分召回率。本文通过改写单一校对系统的输出来过滤其中的过度纠正现象；同时由于经过针对性训练，对过度校对错误判断更准确，能够保证改写后的输出错误召回率保持不变。

今日arXiv最热NLP大模型论文：做到头了！清华和哈工大把大模型量化做到了1比特

清华和哈工大提出了一个名为OneBit的1位量化感知训练框架把大模型量化做到了1比特，同时保证了时间和空间效率以及模型性能之间的平衡，至少能达到非量化性能的83%，而且训练过程还特别稳定。

哈工大开源“活字”对话大模型3.0版本

哈尔滨工业大学社会计算与信息检索研究中心（HIT-SCIR）近期推出了最新成果——活字3.0，致力于为自然语言处理的研究和实际应用提供更多可能性和选择。

赛尔原创@AAAI 2024 |语义引导的生成式图像增广方法

本文提出SGID，一种语义引导的生成式图像增广方法，用于在图像分类的数据增广中平衡增广图像的多样性和语义一致性，克服了以往的扰动式方法及生成式方法的局限。