這篇論文探討了Cockpit-Llama的開發，這是一個專門用來預測駕駛者行為意圖的語言模型，目的是提升車輛駕駛艙的互動性。透過分析駕駛者的行為、歷史數據及環境狀態，Cockpit-Llama能做出準確預測，協助主動決策。研究團隊還建立了一個新的多屬性駕駛艙數據集，涵蓋情緒和身體狀況等多方面資料。使用低秩適應（LoRA）進行微調後，實驗結果顯示Cockpit-Llama在預測準確度上超越了現有方法，顯著改善了智能駕駛艙的推理能力。 PubMed DOI

動態視覺與語言導航（DynamicVLN）任務旨在改善傳統的視覺與語言導航（VLN），融入了如車輛移動、交通信號、行人活動和天氣變化等動態因素。這項新任務要求代理不僅要遵循指示，還需在面對突發事件時展現推理和適應能力。為此，研究者創建了十個動態導航場景，並利用CARLA模擬器和大型語言模型建立了包含11,261個實例的數據集，提供真實的訓練環境，並引入基準模型以提升導航能力，目標是開發能在複雜環境中運作的強大代理。 PubMed DOI

最近的研究發現，將Transformer模型與條件策略結合，可以有效提升離線強化學習的表現。傳統強化學習是依序接收觀察，而Transformer則同時處理多個觀察，這可能影響特徵提取及決策的準確性。為了解決這些問題，我們利用預訓練模型的少量學習特性，並結合提示學習來改善即時政策調整。透過從離線數據中抽樣特定信息，我們能快速掌握任務特徵。實驗結果顯示，我們的方法在相關任務中表現優於基準，並提升了對新環境的泛化能力及決策的穩定性。 PubMed DOI

知識蒸餾（KD）是一種壓縮大型語言模型的技術，透過將知識從大模型轉移到小模型。傳統KD方法依賴於KL、RKL和JS等度量，但在教師和學生模型分佈重疊時會遇到問題。為了解決這些挑戰，提出了Sinkhorn KD（SinKD），利用Sinkhorn距離更準確地比較模型分佈，並採用批次形式捕捉高維空間的幾何關係。SinKD在GLUE和SuperGLUE基準上表現優越，作者已公開代碼和模型供研究使用。 PubMed DOI

這項研究提出了一種新方法，結合生成注意力機制與狀態轉換方程，分析中文教育中的學習行為。這種方法能即時調整注意力權重，模擬學生情感與行為變化，克服現有方法的限制。透過實證實驗，預測行為準確率達90.6%，學習滿意度得分89.2，超越BERT、GPT-3等基準模型。這些結果顯示該方法在個性化教學與動態行為建模上的實用性，為中文教育提供了結構化框架。 PubMed DOI

這項研究開發了LFBERT-ReasonSoT自動化系統，結合LDA主題模型和微調BERT，能更準確分析交通事故報告的肇因和嚴重程度。結果顯示，這套系統比傳統方法更有效率，能從複雜事故文本中萃取有用資訊，提升事故資料自動化處理的能力。 PubMed DOI

這篇論文提出DBOP-DDPG演算法，把糞金龜優化和優先經驗回放結合進DDPG，解決連續動作空間收斂慢、易卡在局部最優的問題。透過多族群搜尋提升全域最佳化能力，並用新排序取樣方式加快收斂。實驗結果顯示，收斂速度提升至少10%，累積獎勵最多高出150分。 PubMed DOI

這篇研究開發了一款專為資源有限裝置設計的輕量級韓文語言模型，利用知識蒸餾和低秩分解技術，把大型模型壓縮到僅 4M 參數。即使模型變小，在六項韓文 NLP 任務中效能仍超過 97%，甚至在情感分類上還贏過原本的大模型，非常適合手機或邊緣裝置使用。 PubMed DOI

這篇論文提出用視覺大型語言模型（VLMs）自動從影像生成道路場景圖，能細緻捕捉交通場景的語意和物件關係。作者還設計了可擴充的場景屬性和圖形相似度量法，並建立了1000筆標註資料集。實驗證明，這方法能用文字、圖片或影片靈活檢索語意相似的交通場景，對自駕車應用很有幫助。 PubMed DOI

這項研究提出一套可解釋的系統（CPTR-LLM），用大型語言模型來預測自駕車的碰撞風險，並判斷駕駛人何時該接手。經過大量數據和兩階段訓練，模型預測準確率高達0.88，也能有效減少不必要或危險的接管。結果顯示，大型語言模型有助提升自駕車的道路安全。 PubMed DOI