本研究提出了“Think”框架，以解决大型语言模型在属性文本生成中的幻觉和事实错误问题。通过自引导蒙特卡罗树搜索和进展奖励模型的实验，结果显示该方法显著优于现有技术，具有重要影响。

本研究提出ECAR方法，通过阶段性生成策略和多阶段建模，解决了自回归模型在图像生成中的效率问题，显著加速生成速度并保持图像质量。

本研究提出了一种自动生成意图知识图谱的框架，以解决在线平台理解用户意图的挑战，从而有效提升产品推荐效果。

本研究提出了一种上下文过滤方法，通过奖励建模去除问答任务中的非必要信息，显著提升低资源环境下问答模型的有效性，EM Per Token指标提高了6.8倍。

本研究提出了一种新颖的并行多尺度增量预测框架，显著提高了人类运动预测的准确性，提升幅度为16.3%-64.2%。

本研究提出了一个新数据集和框架，通过Reddit日记生成个性化对话，解决了现有模型对人类个性流动性反映不足的问题。经过数据集细化和大五人格建模，生成的对话在个性捕捉上提高了11%。

本研究解决了利用VR设备的头部和手部追踪信号进行全身运动估计过程中的稀疏观测问题，提出了一种新方法EnvPoser。该方法通过不确定性感知估计模块对人类运动的多假设特性进行建模，并结合环境语义与几何约束，显著提高了在运动与环境互动场景下的人类运动估计的准确性和可靠性。

本研究解决了向量量化生成模型中生成高保真样本与采样速度之间的矛盾。我们提出了ResGen，一个基于残差向量量化的高效离散扩散模型，通过直接预测集合令牌的向量嵌入，显著提高了生成质量和速度。实验结果表明，ResGen在条件图像生成和零样本文本转语音合成任务中 outperform 自回归模型，展现了更优的性能。

本研究解决了提升建模和异质性处理效应估计中出现的班级和处理不平衡问题，特别是在随机对照试验数据中。我们提出了一种新的方法，通过逆转选定记录的类值来避免传统的欠采样和过采样导致的预测效应扭曲。这一方法确保准确预测且不需要校准，实验结果验证了其有效性，并证明其对标准分类问题也具有可行性。

本文探讨了大型语言模型中KV缓存的压缩问题，提出了一种动态预算分配方法，内存使用率降低至约20%，同时保持推理性能，为长上下文建模提供了有效解决方案。