Appier AI 科研實力大放異彩，三篇論文榮登 NeurIPS 與 EMNLP 國際 AI 權威會議

Appier 致力於運用人工智慧（AI）技術協助企業進行商業決策。17日宣佈 Appier AI 研究團隊投稿的三篇論文全數入選國際權威 AI 會議 NeurIPS 與 EMNLP，以堅強的 AI 研究實力在國際頂尖學術研討會大放異彩，引領大型語言模型（Large Language Model，LLM）的前瞻技術趨勢與應用創新！

Appier 持續深化 AI 技術創新與產學合作，為擴大技術研發綜效，在今年 2 月成立 AI 研究團隊，將多年來的技術量能與研發成果於國際權威學術研討會進行發表。2024 年，Appier 投稿的三篇論文能在眾多研究中脫穎而出，成為台灣少數投稿論文全數入選的企業，充分展現其在 AI 和自然語言處理（Natural Language Processing，NLP）領域的領先實力獲得國際肯定。

這些研究成果也將應用於 Appier 廣告、個人化與數據平台全產品線中，包括廣告創意生成與成效優化、知識型對話機器人、即時產品顧問與電商客服、超個人化行銷應用、顧客數據平台報告自動生成、以及垂直產業模型優化等場景。回應 Appier 透過軟體智慧化將 AI 轉換為投資回報，助力客戶實現業務成長的企業願景。

Appier 執行長暨共同創辦人游直翰表示：「AI 是 Appier 創立以來的核心 DNA，也促使我們積極投入 AI 和 LLM 領域的前瞻研究，探索 AI 在未知領域的無限潛力，本次三篇論文全數獲選是對 Appier AI 研究團隊的莫大鼓舞。憑藉我們在研發方面的堅實基礎與研究動能，Appier 將進一步加速數據運用與模型優化的效益，助力企業開創全新的商業價值與機會，加速 AI 應用的普及！」

NeurIPS 與 EMNLP 是全球 AI 與自然語言處理領域的兩大頂尖學術會議，每年吸引為數可觀的權威專家和學研菁英參與，論文發表成果每每對全球 AI 與 NLP 技術發展影響深遠。NeurIPS 自 1987 年起舉辦，被譽為 AI 領域的奧林匹克盛會，涵蓋了神經網絡、深度學習、統計學等多元議題，2024 年論文投稿篇數高達 15,600 篇，針對數據集 & 基準組別（Datasets & Benchmarks）的錄取率約 25.3%。EMNLP 始於 1996 年，被譽為 NLP 領域的權威會議，專注於技術突破與實證研究，2024 年投稿論文達 6,105 篇，主要組別（Main track）的錄取率約為 20.8%，產業組別（Industry track）的錄取率為 36.53%。

Appier 緊跟市場趨勢，持續投資 AI 創新技術與 LLM 前瞻研究。隨著 AI 技術的不斷迭帶和演進，Appier 也將攜手產學界頂尖專家學者與學研菁英，深挖能顛覆遊戲規則的劃時代科技，推出切合實務應用的創新應用，引領數位廣告與行銷領域的轉型變革！ （相關報導： 如何從ChatGPT問到滿意的答案？用「循序思考」提問法，提升AI回答的準確度 ｜ 更多文章 ）

Appier 正積極招聘研究科學家、工程師及 MarTech 專業人才，致力於加速產品創新研發，以滿足客戶日益增長的業務需求。誠摯邀請優秀人才加入，一同推動 AI 的未來發展！

入選論文介紹

第一篇論文《StreamBench：邁向語言代理持續改進的基準測試》成功入選 AI 界的奧林匹克殿堂 NeurIPS 神經訊息處理系統會議數據集 & 基準組別。這篇論文介紹了業界首創的基準測試工具 StreamBench，專為評估大型語言模型（LLM）代理在「輸入 vs. 反饋」序列中的持續改進能力而設計。大多數基準測試專注於 LLM 的先天能力，StreamBench 則是透過模擬線上學習環境，使 LLM 能夠即時接收反饋流進行迭代以優化其效能。該研究不僅提出了簡單有效的基準測試方法，還針對成功實現串流策略的關鍵要素進行了全面的分析。這項研究為在動態、即時串流場景中打造更具適應性的 AI 系統奠定了堅實的基礎。

第二篇論文《我需要幫助！評估 LLM 尋求使用者支援的能力：以文本生成 SQL 為案例研究》則是被知名的 EMNLP 自然語言處理實證方法會議主要組別所接受。該研究檢視了大型語言模型（LLMs）在生成自然語言文本（Text）到結構式查詢語言（SQL）時，主動尋求用戶提供更多資訊以提升其效能的能力。Appier AI 研究團隊希望瞭解 LLM 效能的提升，與其向使用者提問，對使用者造成負擔間的量化權衡指標，進一步探討 LLM 是否能夠判斷何時需要請求使用者幫助，並透過不同級別的可用性資訊將對結果產生什麼差異化表現。實驗結果顯示，在缺乏外部反饋的情況下，許多 LLM 難以識別其是否需要額外支持，突顯了回饋資訊的重要性，為將來如何優化「資訊支持 vs.尋求反饋」策略相關的研究提供了重要的發現與洞察。 （相關報導： 如何從ChatGPT問到滿意的答案？用「循序思考」提問法，提升AI回答的準確度 ｜ 更多文章 ）

第三篇論文《自由發揮？格式限制對語言模型推理能力的影響》也成功獲得 EMNLP 自然語言處理實證方法會議產業組別的發表資格！該研究比較了以結構化生成──即以標準化格式（如 JSON 或 XML）限制內容生成的過程，相較於自由生成回應，是否會對 LLM 的表現產生影響，特別是在推理和領域知識理解能力方面。透過廣泛的評估，研究揭示了令人意外的發現：嚴格的格式限制顯著削弱了 LLM 的推理能力，突顯了在結構化內容生成與關鍵訊息提取之間取捨的重要性。