EMNLP 2026|如何记住发生过的事?EM²Mem让记忆连接人与经历
EMNLP 2026|如何记住发生过的事?EM²Mem让记忆连接人与经历「刚才是谁说,打算种花?」
搜索
「刚才是谁说,打算种花?」
密歇根大学安娜堡分校团队提出并开源AI机器人协同设计智能体Auto-Robotist,相关工作获EMNLP'26主会录用,并在EvoGym七项任务的5×5冷启动实验中以持续更新的技能库复用试错经验,平均最终最优得分高于遗传算法。
想象一下,你向几个 AI 倾诉最近的压力。
人类说一句「我不是狼」,多模态大模型既能看到表情,也能听见声音。但它真的知道这句话是真是假吗?
一句话概括:多答案问答要求智能体找全整个答案集合,而不是只搜到一个就停止。现有 RL 方法在此场景下存在两处错位:优势计算停留在轨迹级,信用分配粗糙;F1 奖励对头部与长尾实体一视同仁,智能体缺乏探索长尾的动力。
视觉语言模型已经进入办公助手、内容审核、机器人和智能终端等场景。
大语言模型的生成过程天然具有自回归特性,即模型基于已有上下文逐 token 预测并生成后续内容。随着模型规模不断增大,单步前向计算的开销也随之增加,使得自回归解码面临较高的推理延迟。
只要和一个人聊得足够久,大模型就能成为他的「数字分身」吗?
在与用户的实时对话中,AI能否及时感知情绪?模型给出的“高置信度”结论,又是否经得起推敲?
EMNLP 2026录用论文提出Claim-Locked Reporting方法,针对AI审稿等场景中数字正确但方向或结论强度被改写的统计主张失真问题,通过先锁定证据支撑的主张、再由代码固定数字与方向而模型仅负责衔接,在fMRI与临床试验报告上将跨次生成数值复现率分别提升至98.5%和100%,并消除了方向反转错误。