# 生成任務

GraphAgent是一個自動化代理流水線，旨在處理顯式的圖形依賴和隱式的圖形增強語義相互依賴，以適應實際數據場景中的預測任務（例如節點分類）和生成任務（例如文本生成）。它由三個關鍵組件構成：構建知識圖譜以反映複雜語義依賴的圖形生成代理；解釋不同用戶查詢並制定相應任務的計劃代理；以及高效執行計劃任務並自動化工具匹配和調用的執行代理。GraphAgent通過集成語言模型和圖形語言模型來揭示覆雜的關係信息和數據語義依賴。

OneGen是一個為大型語言模型（LLMs）設計的高效單遍生成和檢索框架，用於微調生成、檢索或混合任務。它的核心思想是將生成和檢索任務整合到同一上下文中，通過將檢索任務分配給以自迴歸方式生成的檢索令牌，使得LLM能夠在單次前向傳遞中執行兩種任務。這種方法不僅降低了部署成本，還顯著減少了推理成本，因為它避免了對查詢進行兩次前向傳遞計算的需求。

該論文介紹了一種基於感知損失的擴散模型，通過將感知損失直接納入擴散訓練中來提高樣本質量。對於有條件生成，該方法僅改善樣本質量而不會影響條件輸入，因此不會犧牲樣本多樣性。對於無條件生成，這種方法也能提高樣本質量。論文詳細介紹了方法的原理和實驗結果。

CelebV-Text是一個大規模、高質量、多樣化的人臉文本-視頻數據集，旨在促進人臉文本-視頻生成任務的研究。數據集包含70,000個野外人臉視頻剪輯，每個視頻剪輯都配有20個文本，涵蓋40種一般外觀、5種詳細外觀、6種光照條件、37種動作、8種情緒和6種光線方向。CelebV-Text通過全面的統計分析驗證了其在視頻、文本和文本-視頻相關性方面的優越性，並構建了一個基準來標準化人臉文本-視頻生成任務的評估。