大型语言模型如何处理复杂心理和情感状态推理？

大模型(LLM)是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大，包含数十亿的参数，帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构，如转化器，这有助于它们在各种NLP任务上取得令人印象深刻的表现。

2022年底，OpenAI 推出的基于 GPT-3.5 的大型语言模型 ChatGPT，由于其优秀的表现，ChatGPT 及其背后的大型语言模型迅速成为人工智能领域的热门话题，吸引了广大科研人员和开发者的关注和参与。

本周精选了5篇LLM领域的优秀论文，为了方便大家阅读，只列出了论文标题、AMiner AI综述等信息，如果感兴趣可点击查看原文，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。

如果想要对某篇论文进行深入对话，可以直接复制论文链接到浏览器上或者直达AMiner AI页面：
https://www.aminer.cn/chat/g/explain?f=cs

1.Crafting Interpretable Embeddings by Asking LLMs Questions

本文探讨了一种通过向大型语言模型（LLM）提问来生成可解释嵌入的方法。尽管LLM在自然语言处理任务中极大地改进了文本嵌入，但其不透明性以及对神经科学等科学领域的渗透，使得对可解释性的需求日益增长。本文提出，是否可以通过LLM提示获得可解释的嵌入。为此，我们引入了一种新的嵌入方法——问答嵌入（QA-Emb），其中每个特征代表了一个向LLM提出的是/否问题答案。训练QA-Emb实际上是通过选择一组底层问题而非学习模型权重来实现的。我们使用QA-Emb灵活地生成可解释模型，以预测语言刺激引起的fMRI体素反应。实验结果表明，QA-Emb显著超越了已知可解释基线，且所需问题数量非常少。这为构建灵活的特征空间铺平了道路，这些特征空间能够具体化和评估我们对语义大脑表示的理解。此外，我们还发现QA-Emb可以用一个有效的模型进行有效近似，并在简单的NLP任务中探索了更广泛的应用。

链接：https://www.aminer.cn/pub/66553aff01d2a3fbfc9fd022/?f=cs

2.A Survey of Multimodal Large Language Model from A Data-centric Perspective

这篇论文从以数据为中心的视角全面调查了多模态大型语言模型（MLLM）。人类通过视觉、嗅觉、听觉和触觉等多种感官感知世界，与此类似，多模态大型语言模型通过集成和处理来自文本、视觉、音频、视频和3D环境等多个模态的数据，增强了传统大型语言模型的能力。数据在开发和完善这些模型中起着关键作用。本文具体探讨了在MLLM的预训练和适应阶段准备多模态数据的方法，分析了数据集的评估方法，并回顾了评估MLLM的基准。此外，本文还概述了未来的研究方向。这项工作旨在为研究人员提供对MLLM的数据驱动方面的深入了解，促进在这个领域进一步探索和创新。

链接：