LLMs是指“大规模语言建模”，这是近年来在自然语言处理领域备受关注的一种深度学习技术。作为其中的一种变种，语言模板模型（LMs）已经被广泛用于各种任务中，其中包括了典型的语言生成，语言理解等等。然而，依靠LMs解决的问题通常局限于仅考虑文本本身，并不能考虑更加复杂的上下文信息。
但是，在某些特殊场合，例如社交沟通中，文本所处的上下文就显得非常重要了。因此，为了进一步推进社交推理，研究人员提出了一种新的模型，称之为“HIAM”。
HIAM采用了一种基于层次网络的方法，利用LMs来表示单独文本单元和上下文信息，然后结合重要的交互建模元素和推理模块。通过这种方法，HIAM可以基于所关注的人物和他们的语境来推断可能的社交信息，从而具有很强的社交推理能力。
为了验证HIAM的有效性，研究人员进行了一系列实验，其中最具代表性的实验之一就是所谓的“汉斯教授实验”。该实验旨在评估HIAM在处理社交信息时所表现出的推理能力，以及在各种条件下的表现是否稳定。
结果显示，HIAM显着优于其他基准模型，并在各种情况下表现出很强的稳定性。同时，对于一个聪明的汉斯教授的情节，他试图掌握他手头的信息，然后通过这些信息进行对未来社交互动的预测，HIAM在几乎所有场景中都能够做出准确的预测。
总的来说，这项研究表明HIAM在社交推理中具有很大的前途，甚至可以应用于实际的社交场景。但是，由于研究仅局限于一种自然语言处理技术，之后还需开展更多示范和改进工作，以使该技术更加稳定和可靠。
了解更多有趣的事情：https://blog.ds3783.com/