1、早期响应率ORR/CR数据：ORR=48%，CR=28%，ALLO-501A的表现并不出色。对比吉利德、BMS的两款自体CAR-T在末线LBCL临床研究中ORR超过70%，CR则超过50%来说。甚至几款CD20/CD3双抗在侵袭性B-NHL早期数据都要更好一些，如glofitamab的ORR=7%，CR=4%(n=175)、epcoritamab的ORR=68%，CR=45%(N=22)。
2、NLP是个很宽泛的领域，包含了几十个子领域，理论上只要跟语言处理相关，都可以纳入这个范围。但是如果我们对大量NLP任务进行抽象的话，会发现绝大多数NLP任务可以归结为几大类任务。两个看似差异很大的任务，在解决任务的模型角度，可能完全是一样的。
3、而对于CNN和Transformer来说，因为它们不存在网络中间状态不同时间步输入的依赖关系，所以可以非常方便及自由地做并行计算改造，这个也好理解。
4、《世说新语》(译注(南朝宋)·刘义庆)：殷仲堪父病虚悸，闻床下蚁动，谓是牛斗。孝武不知是殷公，问仲堪：有一殷，病如此不？仲堪流涕而起曰：“臣进退维谷。”
5、不以为然：然，这样。不认为是这样，表示不同意或否定。
6、目前自体CAR-T通过早期预防用药，能够有效降低了Gr3+CRS和NT的发生率，Yescarta在ZUMA-1的队列6中Gr3+CRS、NT分别为0%、13%(早期注册队列中分别为13%、31%)，Breyanzi在注册临床中Gr3+CRS、NT分别为4%、12%。(进退维谷和进退两难的区别)。
7、他为人虚怀若谷，能够听得见别人的意见和批评。
8、(区别)都有没有完成之意。前者侧重于中途停止，有惋惜之意；后者侧重“浅”，没有深入。不由自主情不自禁
9、 (解析)如果产能都扩大一倍，则时间缩短一半。观察选项，发现C选项是D选项的一半，优先推测需要15天完成。(进退维谷和进退两难的区别)。
10、 振振有词：理由似乎很充分，说个不休，贬义。
11、首先，如果靠原生的RNN(包括LSTM，GRU以及引入Attention以及堆叠层次等各种你能想到的改进方法，可以一起上)，目前很多实验已经证明效果比起Transformer有较大差距，现在看基本没有迎头赶上的可能，所以原生的RNN从效果来讲是处于明显劣势的。
12、 A.加入WTO后，中国已经全面重返国际舞台
13、 良莠不齐：不整齐，指人时指好人坏人本质区别很大，指物时指好事坏事混在一起。
14、而这又说明了什么呢？我觉得这说明了一点：RNN和CNN的大的出路在于寄生到TransformerBlock里，这个原则没问题，看起来也是他俩的唯一出路。但是，要想效果足够好，在塞进去的RNN和CNN上值得花些功夫，需要一些新型的RNN和CNN模型，以此来配合Transformer的其它构件，共同发挥作用。如果走这条路，那么RNN和CNN翻身的一天也许还会到来。
15、前者指行走困难、行动不方便。形容走路困难，也比喻处境艰难。
16、财政部长克里斯蒂安·林德内尔(ChristianLindner)与北威州州长亨德里克·伍斯特(HendrikWüst)会谈
17、身为资深Bug制造者和算法工程师，你现在需要做的事情就是：选择一个好的特征抽取器，选择一个好的特征抽取器，选择一个好的特征抽取器，喂给它大量的训练数据，设定好优化目标(lossfunction)，告诉它你想让它干嘛……..然后你觉得你啥也不用干等结果就行了是吧？那你是我见过的整个宇宙中最乐观的人…….你大量时间其实是用在调参上…….。从这个过程可以看出，如果我们有个强大的特征抽取器，那么中初级算法工程师沦为调参侠也就是个必然了，在AutoML(自动那啥)流行的年代，也许以后你想当调参侠而不得，李斯说的“吾欲与若复牵黄犬，俱出上蔡东门逐狡兔，岂可得乎！”请了解一下。所以请珍惜你半夜两点还在调整超参的日子吧，因为对于你来说有一个好消息一个坏消息，好消息是：对于你来说可能这样辛苦的日子不多了！坏消息是：对于你来说可能这样辛苦的日子不多了！！！那么怎么才能成为算法高手？你去设计一个更强大的特征抽取器呀。
18、上面两项对比是从特征抽取的两个比较重要的单项能力角度来评估的，其实更重要的是在具体任务中引入不同特征抽取器，然后比较效果差异，以此来综合评定三者的综合能力。那么这样就引出一个问题：NLP中的任务很多，哪些任务是最具有代表性的呢？答案是机器翻译。你会看到很多NLP的重要的创新模型都是在机器翻译任务上提出来的，这背后是有道理的，因为机器翻译基本上是对NLP各项处理能力综合要求最高的任务之要想获得高质量的翻译结果，对于两种语言的词法，句法，语义，上下文处理能力，长距离特征捕获等等更方面都需要考虑进来才行。这是为何看到很多比较工作是在机器翻译上作出的，这里给个背后原因的解释，以避免被质疑任务单没有说服力的问题。当然，我预料到那位“因为吃亏少….爱挑刺”的同学会这么质问我，没关系，即使你对此提出质疑，我依然能够拿出证据，为什么这么讲，请往后看。
19、晋孝武帝不知道是殷仲堪的父亲，便问殷仲堪：“有一位姓殷的，病情这样这样，是吗？”
20、在辞旧迎新的时刻，大家都在忙着回顾过去一年的成绩(或者在灶台前含泪数锅)，并对2019做着规划，当然也有不少朋友执行力和工作效率比较高，直接把2018年初制定的计划拷贝一下，就能在3秒钟内完成2019年计划的制定，在此表示祝贺。2018年从经济角度讲，对于所有人可能都是比较难过的一年，而对于自然语言处理领域来说，2018年无疑是个收获颇丰的年头，而诸多技术进展如果只能选择一项来讲的话，那么当之无愧的应该就是Bert模型了。在上一篇介绍Bert的文章“从WordEmbedding到Bert模型—自然语言处理中的预训练技术发展史”里，我曾大言不惭地宣称如下两个个人判断：一个是Bert这种两阶段的模式(预训练+Finetuning)必将成为NLP领域研究和工业应用的流行方法；第二个是从NLP领域的特征抽取器角度来说，Transformer会逐步取代RNN成为最主流的的特征抽取器。关于特征抽取器方面的判断，上面文章限于篇幅，只是给了一个结论，并未给出具备诱惑力的说明，看过我文章的人都知道我不是一个随便下结论的人(那位正在补充下一句：“你随便起来不是……”的同学请住口，请不要泄露国家机密，你可以继续睡觉，吵到其它同学也没有关系，哈哈)，但是为什么当时我会下这个结论呢？本文可以看做是上文的一个外传，会给出比较详实的证据来支撑之前给出的结论。
21、 生机勃勃：很有活力，很有生命力。多用于指事物。
22、 随波逐流：比喻没有坚定的立场，缺乏判断是非的能力，只能随着别人走。
23、(区别)都有两种东西混在一起，难以分辨的意思。前者适用的对象是人，指好人和坏人混在一起，后者适用对象是物，指假的事物冒充真的事物。 爱憎分明泾渭分明
24、《世说新语》译注(南朝宋)·刘义庆：殷仲堪父病虚悸，闻床下蚁动，谓是牛斗。孝武不知是殷公，问仲堪：有一殷，病如此不？仲堪流涕而起曰：“臣进退维谷。”
25、社民d乘着去年联邦大选获胜的“东风”，在3月27日举行的萨尔州议会选举中旗开得胜。而基民盟虽在萨尔州先失一局，但随即在5月8日石荷州和5月15日北威州的州议会选举中连胜两局。当然，在10月9日举行的今年最后一场州议会选举中，社民d在下萨克森州又扳回一局，终于以两赢两输的结局与基民盟打成平手。
26、从自体CAR-T注册临床数据和CD20×CD3双抗早期临床数据对比来看，自体CAR-T患者的响应率(ORR、CR)更高，同时长期疗效数据(mDOR、mPFS)表现目前看来也比双抗更出色(不过双抗长期疗效可以等等看更多成熟临床数据的表现)，双抗的优势在于用药便捷、治疗费用更低。为什么不说临床副作用低呢？CD3双抗临床中也存在严重的CRS不良反应，两类药物SAE发生率详见。
27、(出处)：《资治通鉴后唐明宗天成二年》：乱兵进退失据，遂溃。
28、 挖空心思：形容费尽心机，想尽办法。多含贬义。
29、上图展示了在NLP领域能够施展身手的摩登CNN的主体结构，通常由1-D卷积层来叠加深度，使用SkipConnection来辅助优化，也可以引入DilatedCNN等手段。比如ConvS2S主体就是上图所示结构，Encoder包含15个卷积层，卷积核kernelsize=覆盖输入长度为当然对于ConvS2S来说，卷积核里引入GLU门控非线性函数也有重要帮助，限于篇幅，这里不展开说了，GLU貌似是NLP里CNN模型必备的构件，值得掌握。再比如TCN(论文：AnEmpiricalEvaluationofGenericConvolutionalandRecurrentNetworksforSequenceModeling)，集成了几项技术：利用DilatedCNN拓展单层卷积层的输入覆盖长度，利用全卷积层堆叠层深，使用SkipConnection辅助优化，引入CasualCNN让网络结构看不到T时间步后的数据。不过TCN的实验做得有两个明显问题：一个问题是任务除了语言模型外都不是典型的NLP任务，而是合成数据任务，所以论文结论很难直接说就适合NLP领域；另外一点，它用来进行效果比较的对比方法，没有用当时效果很好的模型来对比，比较基准低。所以TCN的模型效果说服力不太够。其实它该引入的元素也基本引入了，实验说服力不够，我觉得可能是它命中缺GLU吧。
30、进退两难：前进和后退都难。比喻事情无法决定，因而难以行动，处境困难。
31、(区别)前者重在“蓄”上，有储蓄保存的意思，指把各种内容的东西都加以吸收并保存起来。后者重在“包”字，有包含、容纳之意，指把有关的各方面都包含容纳在内。 坚如磐石稳如泰山
32、 2018国家公务员考试群：530581538
33、但是，“进退两难”可以做定语，“进退维谷”也不能做定语。例如“看样子是怀着满腹心事，处于进退两难的境地。”一般不说成“看样子是怀着满腹心事，处于进退维谷的境地。”
34、尽管如此，我觉得RNN这条路仍然不好走，为什么呢，你要记得RNN并行计算能力差这个天生缺陷，即使把它塞到TransformerBlock里，别说现在效果还不行，就算哪天真改出了一个效果好的，但是因为它的并行能力，会整体拖慢Transformer的运行效率。所以我综合判断RNN这条路将来也走不太通。
35、罕见病基因治疗再度繁荣，收藏这份基因治疗行业研究大全
36、 “骑虎难下”比喻事情进行到中途，迫于形势既不能继续又不能停止，只好硬着头皮干下去
37、(区别)都有对环境遭遇不在意之意。前者多指面对不顺利的境况，仍能像平常一样，范围小；后者强调在任何环境中都安然自得，感到满足，也有安于现状，得过且过之意。 咄咄逼人盛气凌人
38、(区别)都有两种东西混在一起，难以分辨的意思。前者适用的对象是人，指好人和坏人混在一起，后者适用对象是物，指假的事物冒充真的事物。爱憎分明泾渭分明
39、 了如指掌：形容对情况非常清楚，好像指着自己的手掌给人看。亦作“了若指掌”。
40、 第一步，突破口在第二空。文段阐述了方回的两个特点：其长处为“论诗有眼力”;其短处为“秽德彰闻”(品行不好)。所以，方回“抬举朱熹的诗(借朱熹的好名声)”“依托道学”来掩盖自己“品行不好”的短处，再根据连接词“或”可知，第二空应与“取长补短”词义相近，强调方回“通过自己的长处掩盖自己的短处”，只有“扬长避短”与之相近，初步将答案锁定为C项。
41、都指讲惯听厌的话。异；前者谈的内容既陈旧，又空泛(滥：空泛不合实际)，含贬义。后者谈的虽是老话，但不一定没有现实意义，属中性成语。
42、进退两难出自：明·罗贯中《三国演义》第六十三回：“既主公在涪关进退两难之际，亮不得不去。”译文：既然主公在涪关正处在困境之中，诸葛亮不得不一起去。
43、我现在的处境犹如陷入泥淖中，进退维谷，非常狼狈。
44、PPT：关于mRNA看这份就足够--mRNA的技术和平台之辩
45、(区别)都有进也艰难、退也艰难的意。前者书面语，后者口头语。博闻强志见多识广
46、进退维谷，汉语成语，拼音：jìntuìwéigǔ，意思是无论是进还是退，都是处在困境之中。形容处境艰难，进退两难。出自《诗经大雅桑柔》。《世说新语》(译注南朝宋刘义庆)：殷仲堪父病虚悸，闻床下蚁动，谓是牛斗。孝武不知是殷公，问仲堪：有一殷，病如此不。仲堪流涕而起曰：“臣进退维谷。
47、(区别)都能形容十分坚固，不可摧毁。前者多用作宾语，也可用作主语，如军民携手共建~。后者多用作谓语，定语。如这座城堡工事坚固，兵武器精良，简直是~。
48、 第二步，将“喜中有忧”代入第二空，“喜”对应“已经发展起来了”，“忧”对应“问题不比不发展时少”，符合语境。因此，选择D选项。
49、编者按语称：“谁赞扬‘债务刹车’又不断规避它，谁也不应对它最终被废除而感到惊讶。”这就尖锐地指出了林德内尔这种做法的危害性，值得引起这位自民dd魁的深思。
50、同时，UCAR-T可以通过二次注射加强疗效的说法还待进一步考证，根据目前Allogene数据可以发现二次给药并不一定就能增强疗效，CRISPR公布的数据看来缓解时间较短的患者发生进展后再次注输细胞治疗，同样会在短时间内二次复发。
51、时隔数月之后，德国日趋严重的能源问题再次引发了是否要为核电开绿灯的争论。
52、 成群结队：聚集到一起，结成一群一伙。亦作“成群结伙”。
53、以上介绍内容是从几个不同角度来对RNN／CNN/Transformer进行对比，综合这几个方面的实验数据，我自己得出的结论是这样的：单从任务综合效果方面来说，Transformer明显优于CNN，CNN略微优于RNN。速度方面Transformer和CNN明显占优，RNN在这方面劣势非常明显。这两者再综合起来，如果我给的排序结果是Transformer>CNN>RNN，估计没有什么问题吧？那位吃亏…..爱挑刺的同学，你说呢？
54、我们知道，RNN自从引入NLP界后，很快就成为吸引眼球的明星模型，在NLP各种任务中被广泛使用。但是原始的RNN也存在问题，它采取线性序列结构不断从前往后收集输入信息，但这种线性序列结构在反向传播的时候存在优化困难问题，因为反向传播路径太长，容易导致严重的梯度消失或梯度爆炸问题。为了解决这个问题，后来引入了LSTM和GRU模型，通过增加中间状态信息直接向后传播，以此缓解梯度消失问题，获得了很好的效果，于是很快LSTM和GRU成为RNN的标准模型。其实图像领域最早由HighwayNet/Resnet等导致模型革命的skipconnection的原始思路就是从LSTM的隐层传递机制借鉴来的。经过不断优化，后来NLP又从图像领域借鉴并引入了attention机制(从这两个过程可以看到不同领域的相互技术借鉴与促进作用)，叠加网络把层深作深，以及引入Encoder-Decoder框架，这些技术进展极大拓展了RNN的能力以及应用效果。下图展示的模型就是非常典型的使用RNN来解决NLP任务的通用框架技术大礼包，在更新的技术出现前，你可以在NLP各种领域见到这个技术大礼包的身影。
55、 惨绝人寰：人寰，人世。世上再没有比这更惨的。形容惨到极点。
56、都有“用尽心思，费尽心血”的意思。前者多指在不好的事情上挖空心思，绞尽脑汁，多用作贬义。后者多指为好的事业费神劳心，鞠躬尽瘁，多用作褒义。
57、前者指互相依靠着过日子。泛指互相依靠，谁也离不开谁。后者比喻因有同样的遭遇或痛苦而互相同情。
58、原文：“今之事势，义无旋踵，骑猛兽安可中下哉。”唐·李白《留别广陵诸公》诗：“骑虎不敢下，攀龙忽堕天。”
59、 (来源)2013年国家《行测》真题2013
60、CNN在14年左右在NLP界刚出道的时候，貌似跟RNN比起来表现并不算太好，算是落后生，但是用发展的眼光看，未来的处境反而看上去比RNN的状态还要占优一些。之所以造成这个奇怪现象，最主要的原因有两个：一个是因为CNN的天生自带的高并行计算能力，这对于延长它的生命力发挥了很大作用。这就决定了与Transformer比起来，它并不存在无法克服的困难，所以仍然有希望；第早期的CNN做不好NLP的一个很大原因是网络深度做不起来，随着不断借鉴图像处理的新型CNN模型的构造经验，以及一些深度网络的优化trick，CNN在NLP领域里的深度逐步能做起来了。而既然深度能做起来，那么本来CNN做NLP天然的一个缺陷：无法有效捕获长距离特征的问题，就得到了极大缓解。目前看可以靠堆深度或者结合dilatedCNN来一定程度上解决这个问题，虽然还不够好，但是仍然是那句话，希望还在。
61、 因势利导：顺着事物的发展趋势加以引导。