热点事件持续更新
研究提出利用时间点过程建模语言信息事件到达时间
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026年10月14日，arXiv发布的一篇自然语言处理研究提出利用神经时间点过程（TPPs）结合大语言模型（LLM）语义表示的方法，以预测文本中新词与高意外度 token 这两类承载信息事件的到达时间。实验结果显示，LLM 产生新词的速率显著高于人类，但在高意外度 token 的产生上两者并无明显差异。此外，研究还发现新词事件的强度在人类与 LLM 中均随时间呈现衰减趋势，而高意外度 token 事件则未出现衰减。
AI 根据报道生成 · 4 小时前更新
最新进展10月14日 12:00
研究提出结合TPPs与LLM建模信息事件，发现LLM新词生成速率显著高于人类。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv 自然语言处理建模自然语言中信息承载事件的到达时间
研究者提出利用神经时间点过程（TPPs）结合 LLM 语义表示，预测文本中新词与高意外度 token 两类承载信息事件的到达时间。实验显示 LLM 产生新词的速率显著高于人类，但在高意外度 token 上两者无明显差异。此外，新词事件强度在人类与 LLM 中均随时间衰减，而高意外度 token 事件未呈现衰减。
本事件热度走势
当前热度 9·可比范围峰值 9（10月14日 15:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。