WinoGrande上最好的方法达到59.4-79.1%的准确率，比人类的94.0%低15-35%，当然，这也取决于允许的训练数据量。此外，作者也在WSC(90.1%)、DPR(93.1%)、COPA(90.6%)、KnowRef(85.6%)和Wingender(97.1%)这五个相关基准上进行了新的测试。
测试结果表明：1、WinoGrande作为迁移学习资源是有效的；2、我们高估了基准测试中机器常识的真实能力。
2、最佳学生论文奖
论文：Fair Division of Mixed Divisible and Indivisible Goods
论文地址：http://arxiv.org/abs/1911.07048v1
摘要：本论文中，作者研究了在资源同时包含可分割商品和不可分割商品时的公平分配问题。经验的公平性概念如无嫉妒性（Envy-Freeness，EF）和最多有一种商品无嫉妒性（Envy-Freeness Up to One Good，EF1），无法直接应用到这种混合性的商品场景中。
在本论文中，作者提出了一种新的公平性概念：针对混合商品的无嫉妒性（Envy-Freeness for Mixed Goods ，EFM），能够直接将EF和EF1泛化到混合商品场景中。同时，作者还证明了对于任意数量的代理，都存在EFM 分配。
同时，作者还提出了一种有效的算法，可在可分割商品上采用分段线性估值计算两个代理甚至 n个代理的 EFM 分配。最终，他们放宽了无嫉妒性需求，而是要求混合商品具有?-无嫉妒性（?-EFM），并且还提出了能够在一定数量的代理、一定数量的不可分割商品以及和1 /?下的时间多项式中找到?-EFM分配的算法。
