于以前的生成模型通过线性探测即训练单个线性分类层同时保持模型的其余部分冻结将分类精度从提高到。这些结果展示了强大的生成结果以及图像表示学习能力。结论我们提出了矢量量化图像建模它预训练以自回归方式预测图像标记其中离散图像标记是由改进的图像量化器生成的。通过我们提出的图像量化改进我们在图像生成和理解方面展示了卓越的结果。我们希望我们的结果能够激发未来的工作以实现更统一的图像生成和理解方法。致谢我们要感谢准备论文。我们感谢和提供的有益讨论和反馈以及和团队的其他人员在整个项目中提供的支持。
中的上下文改写年月日发布人高级软件工程师和工程总监发布人高级软件工程师和工程总监当人们相互交谈时上下文和参考资料在推动他们的对话更有效方面发挥着至关重要的作用。例如如果 巴拉圭电子邮件列表 有人问谁写了罗密欧与朱丽叶当得到答案后问他出生在哪里显然他指的是威廉莎士比亚而不需要明确提及他。或者如果有人在句子中提到人们可以使用对话中的上下文来确定他们指的是一种蛇还是一种计算机语言。如果虚拟助理无法稳健地处理上下文和引用则用户将需要通过在后续查询中重复先前共享的上下文信息来适应技术的限制以确保助理理解他们的请求并能够提供相关答案。在这篇文章中我们介绍了目前部署在上的一项技术该技术允许用户在引用之前的查询和答案中定义的上下文时以自然的方式说话。
该技术基于最新的机器学习进展重新表述用户的后续查询以明确提及缺失的上下文信息从而使其能够作为独立查询得到回答。虽然会考虑多种类型的上下文来解释用户输入但在本文中我们重点关注短期对话历史记录。通过改写处理上下文理解上下文查询所采用的方法之一是检测输入话语是否指的是先前的上下文然后在内部重新措辞以明确包含缺失的信息。继上一个示例中用户询问谁写了罗密欧与朱丽叶人们可能会问诸如何时之类的后续问题。识别出此问题既涉及主题罗密欧与朱丽叶又涉及上一个查询的答案威廉莎士比亚并且可以改写何时到威廉莎士比亚什么时候写的罗密欧与朱丽叶虽然还有其他方法来处理上下文例如通过将规则直接应用于查询含义的符号表示例如意图和参数但改写方法的优点是它可以在字符串级别跨任何查询回答水平操作解析或动作执行模块。